【记忆化搜索】01背包

记忆化搜索也是实现dp的一种,有时候可能比状态转移方程推过去复杂,但有时候因为是直接去搜索,反而降低了思维难度

就用01背包来练练手(设c为容量,w为重量,v为价值)

  • 记忆化搜索是在搜索的基础上,进行优化,跳过打开相同的子树,从而避免大量的重复计算。因为在搜索的时候可能会再次dfs到一个已经到过的点,而这个点又会再打开一棵很大的子树,这样就会进行大量的重复计算,所以如果这个点访问完毕,我们记录下这个点的值,再次访问时直接返回这个值,就不要再打开这棵子树 if(f[i][j] > 0) return f[i][j];

对于01背包,有选和不选两种转移方式
采用直接搜索(从i=1, j=c 开始搜索)

fij=max(dfs(i+1,j),dfs(i+1,jw[i])+v[i])f(i,j)=max(dfs(i+1,j),dfs(i+1,j−w[i])+v[i])

对于f(i,j) 直接去搜索f(i+1,j)和f(i + 1,j - w[i])的值,再根据选和不选加上v[i]
由于打开dfs发生在赋值之前,赋值是逆序的,在f(i,j)确定之前,f(i+1,j)和f(i+1,j-w[i])一定已经被确定好了,这样状态就可以被正确地转移

还有些边界条件,具体看代码

#include <algorithm>
#include <iostream>
#include <cstdio>
using namespace std;
#define debug(x) cerr << #x << "=" << x << endl;
const int MAXN = 1000 + 10;
int n,c,f[MAXN][MAXN],w[MAXN],v[MAXN];
int dfs(int i, int c) {
    if(f[i][c]) return f[i][c];
    if(i == n+1) return 0;
    if(c >= w[i]) 
        f[i][c] = max(dfs(i+1,c), dfs(i+1,c-w[i]) + v[i]);
    else 
        f[i][c] = dfs(i+1,c);
    return f[i][c];
}
int main() {
    cin >> c >> n;
    for(int i=1; i<=n; i++) 
        cin >> w[i] >> v[i];
    cout << dfs(1,c);
    return 0;
}
### 背包问题的记忆化搜索实现 背包问题是经典的动态规划问题之一,可以通过记忆化搜索来优化递归解决方案。以下是基于 Python 的背包问题记忆化搜索实现及其解释。 #### 记忆化搜索的核心概念 记忆化搜索结合了递归和动态规划的思想,在解决问题的过程中记录已计算的结果以避免重复计算。这种方法可以显著提高效率,尤其是在子问题重叠的情况下[^2]。 #### 0/1 背包问题描述 假设有一个容量为 `W` 的背包和若干物品,每个物品具有重量 `w[i]` 和价值 `v[i]`。目标是在不超过背包容量的前提下最大化总价值。 #### 记忆化搜索实现 下面是一个使用记忆化搜索解决 0/1 背包问题的 Python 实现: ```python def knapsack_memoization(W, weights, values): n = len(weights) # 创建一个二维数组用于存储中间结果,初始化为 None memo = [[None for _ in range(W + 1)] for _ in range(n)] def dp(i, w): if i < 0 or w <= 0: # 边界条件:没有物品或者背包容量为零 return 0 if memo[i][w] is not None: # 如果已经计算过当前状态,则直接返回 return memo[i][w] if weights[i] > w: # 当前物品无法放入背包 result = dp(i - 1, w) else: # 取最大值:不选当前物品 vs 选择当前物品 result = max(dp(i - 1, w), values[i] + dp(i - 1, w - weights[i])) memo[i][w] = result # 将结果保存到备忘录中 return result return dp(n - 1, W) # 测试数据 weights = [2, 3, 4, 5] values = [3, 4, 5, 6] capacity = 5 max_value = knapsack_memoization(capacity, weights, values) print(f"Maximum value that can be obtained: {max_value}") ``` #### 关键点分析 1. **边界条件** 当索引 `i` 或者剩余容量 `w` 不满足继续处理的要求时,直接返回 0。 2. **状态转移方程** 对于第 `i` 个物品,有两种可能的选择: - 不选取该物品:`dp(i-1, w)`; - 选取该物品:`values[i] + dp(i-1, w-weights[i])`。 结果取两者中的较大值。 3. **记忆化存储** 使用二维列表 `memo` 存储 `(i, w)` 状态下的最优解,避免重复计算相同的子问题[^5]。 #### 时间复杂度与空间复杂度 时间复杂度为 \(O(n \times W)\),其中 \(n\) 是物品数量,\(W\) 是背包的最大容量。这是因为每种状态最多只会被计算一次并存储下来。空间复杂度同样为 \(O(n \times W)\)。 --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值