动态规划 背包问题

问题描述

有n个物体有重量和价值两个属性,一个能承重一定重量的背包。问怎么选择物体能实现背包里的价值最大化。

问题具体化

假设有5个物体和一个背包。物体的重量分别是2、2、6、5、4,即w[]={0、2、2、6、5、4},价值分别是6、3、5、4、6,即v[]={0、6、3、5、4、6}。背包承重为10。问怎么选择,能实现背包所背物体价值的最大化。

解决过程

利用二维表格,通过自左向右、自下向上的计算,来绘制表格,左后再在表格的基础上选择最优解。

  • 表格最后一行

    对最后一行的物体4来说,只有两种情况,要么装入背包,要么不装入。物体5的的重量是4。也就是说在背包承重为0–3的时候物体5是装不进去的,所以背包为0,当背包承重为4–10的时候,物体5可以装进去,又因为物体5的价值为6,所以背包价值为6。

    .012345678910
    1
    2
    3
    4
    500006666666
  • 表格倒数第二行

    表格倒数第二行的计算思路与倒数第一不一样,因为我们要考虑背包里已经有的物体。因为物体4的重量为5。所以在背包承重为0–4的情况下即使空包也装不进去,所以不能装入,包里原本是多少价值,就还是多少价值。在背包承重为5–8的时候,物体4可以装进去,但是物体5要拿出来才行,这样的话背包的价值就变成4了,小于6。所以能然选择不把物体4放进去。在背包承重为9–10的时候,两个都可以放进去,所以背包的价值变成10了。

    .012345678910
    1
    2
    3
    40000666661010
    500006666666
  • 最终计算出来的表格

    其他行的计算过程同上,最终结果如下。

    .012345678910
    10066991212151515
    20033669991011
    30000666661011
    40000666661010
    500006666666
  • *表格计算公式

    max( m(i+1,j) , m(i+1,j-wi)+vi )

  • 做出最优选择

    大体思想:我们从右上角(坐标(1,10))开始,看(1,10)与(2,10)的值是不是一样,一样,则说明物体1没装进去,不一样,则说明物体1装进去了。
    void opt_way(int flag[],int w[], int table[num][weight])
    {
    int n = weight-1;
    for (size_t i = 0; i < num; i++)
    {
    if (table[i][n]==table[i+1][n])
    {
    flag[i] = 0;
    }
    else
    {
    flag[i] = 1;
    n = n - w[i+1];
    }
    }
    }


完整代码

#include <iostream>
#define num 5
#define weight  11
using namespace std;

void init_table(int table[num][weight])
{
    for (size_t i = 0; i < num; i++)
    {
        for (size_t j = 0; j < weight; j++)
        {
            table[i][j] = 0;
        }
    }

}
void show_table(int table[num][weight])
{
    for (size_t i = 0; i < num; i++)
    {
        for (size_t j = 0; j < weight; j++)
        {
            cout <<table[i][j] << "\t";
        }
        cout << "\n";
    }

}
void creat_table(int table[num][weight],int w[],int v[])
{
    //给最后一行赋初值
    for (size_t i = 0; i < weight; i++)
    {
        if (w[num] > i)
            table[num - 1][i] = 0;
        else
        {
            table[num - 1][i] = v[num];
        }
    }
    //在最后一行基础上给每行赋值
    for (int i = num - 1; i > 0; i--)
    {
        for (int j = 0; j < weight; j++)
        {
            if (w[i]>j)
            {
                table[i - 1][j] = table[i][j];
            }
            else if ((v[i] + table[i][j-w[i]])>table[i][j])
            {
                table[i-1][j] = v[i] + table[i ][j - w[i]];
            }
            else
            {
                table[i-1][j] = table[i][j];
            }
        }
    }

}



void opt_way(int flag[],int w[], int table[num][weight])
{
    int n = weight-1;
    for (size_t i = 0; i < num; i++)
    {
        if (table[i][n]==table[i+1][n])
        {
            flag[i] = 0;
        }
        else
        {
            flag[i] = 1;
            n = n - w[i+1];
        }
    }

}
int main()
{
    int w[num+1] = {0,2,2,6,5,4};
    int  v[num+1]= {0,6,3,5,4,6};
    int flag[num] = { 0, 0, 0, 0, 0 };
    int table[num][weight];
    init_table(table);
    creat_table(table,w,v);
    opt_way(flag,w,table);
    //----------------
    show_table(table);
    //------------------------------
    for (size_t i = 0; i < num; i++)
    {
        cout << flag[i];
    }
    getchar();
    return 0;
}

程序结果截图

>
这里写图片描述

背包问题是一种组合优化的NP完全问题,描述为给定一组物品,每种物品有自己的重量和价格,在限定的总重量内,选择物品使得总价格最高。动态规划是解决背包问题的有效方法,以下详细介绍其方法和原理: ### 方法 动态规划解决背包问题遵循以下步骤: 1. **问题抽象化与建立模型**:将背包问题抽象为数学模型,确定状态和状态转移方程。对于01背包问题,设`dp[i][j]`表示前`i`个物品放入容量为`j`的背包中所能获得的最大价值2. **寻找约束条件**:背包的容量限制是主要约束条件,即所选物品的总重量不能超过背包的容量。 3. **判断最优性原理**:背包问题满足最优性原理,即一个问题的最优解包含其子问题的最优解。对于01背包问题,前`i`个物品放入容量为`j`的背包的最优解,包含了前`i-1`个物品放入容量为`j`或`j - w[i]`(`w[i]`为第`i`个物品重量)的背包的最优解。 4. **找大问题与小问题的递推关系式**:对于01背包问题,状态转移方程为: - 当`j < w[i]`时,`dp[i][j] = dp[i - 1][j]`,即当前背包容量不足以放入第`i`个物品,最大价值等于前`i - 1`个物品放入容量为`j`的背包的最大价值。 - 当`j >= w[i]`时,`dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])`,其中`v[i]`为第`i`个物品价值。即可以选择放入或不放入第`i`个物品,取两者中的最大值。 5. **填表**:根据状态转移方程,从边界条件开始,逐步填充`dp`数组。边界条件通常为`dp[0][j] = 0`(没有物品时,价值为0)和`dp[i][0] = 0`(背包容量为0时,价值为0)。 6. **寻找解组成**:通过回溯`dp`数组,确定哪些物品被选中。从`dp[n][m]`(`n`为物品数量,`m`为背包容量)开始,若`dp[n][m] > dp[n - 1][m]`,则第`n`个物品被选中,然后继续在`dp[n - 1][m - w[n]]`中寻找剩余物品的选择情况。 ### 原理 动态规划的核心原理是将大问题分解为小问题,并保存小问题的解,避免重复计算。在背包问题中,通过定义状态和状态转移方程,将原问题转化为一系列子问题求解。每次求解一个子问题时,利用已经求解的子问题的结果,逐步得到原问题的解。这种方法利用了问题的最优子结构和子问题重叠的特性,通过保存中间结果,减少了计算量,提高了算法的效率。 ### 代码实现 以下是01背包问题的Python代码实现: ```python def knapsack_01(n, m, w, v): # 初始化dp数组 dp = [[0] * (m + 1) for _ in range(n + 1)] # 填充dp数组 for i in range(1, n + 1): for j in range(1, m + 1): if j < w[i - 1]: dp[i][j] = dp[i - 1][j] else: dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i - 1]] + v[i - 1]) # 寻找解组成 selected = [0] * n j = m for i in range(n, 0, -1): if dp[i][j] > dp[i - 1][j]: selected[i - 1] = 1 j -= w[i - 1] return dp[n][m], selected # 示例 n = 4 # 物品数量 m = 5 # 背包容量 w = [2, 1, 3, 2] # 物品重量 v = [3, 2, 4, 2] # 物品价值 max_value, selected = knapsack_01(n, m, w, v) print("最大价值:", max_value) print("选择的物品:", selected) ```
评论
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