《DP学习系列》从零开始学习动态规划,泛化物品(八)

bzoj 4978: 泛化物品 题意泛化物品是背包问题里的一个概念,泛化物品并没有固定的体积和费用,而是它的费用随着分配给它的体积而变化。在背包容量为V-1的背包问题中,泛化物品是一个定义域为[0,V)中的整数的函数h,当分配给它的体积为v时,花费的费用就是h(v)。这个定义有一点点抽象,另一种理解是一个泛化物品就是一个数组h[0..V-1],给它体积v,费用为h[v]。这就是所谓的泛化物品。定义泛化物品的和:g,h都是泛化物品, 阅读详情

1. 定义

  • 更严格的定义之。在背包容量为V 的背包问题中,泛化物品是一个定义域为0 … V 中的整数的函数h,当分配给它的费用为v时,能得到的价值就是h(v)。这个定义有一点点抽象,另一种理解是一个泛化物品就是一个数组h[0 …V ],给它费用v,可得到价值h[v]。
  • 一个物品组可以看作一个泛化物品h。对于一个0 … V 中的v,若物品组中不存在费用为v的物品,则h(v) = 0,否则h(v)取值为所有费用为v的物品的最大价值。 6中每个主件及其附件集合等价于一个物品组,自然也可看作一个泛化物品。

泛化物品是崔作者总结的概念,使用函数定义最为恰当h(v),v∈0...Vh(v),v\in 0...Vh(v),v∈0...V,特别的不同的物品对应不同的函数,并且按照泛化物品的性质对该函数进行一定的限制。

2. 泛化物品的和

  • 如果给定了两个泛化物品h和l,要用一定的费用从这两个泛化物品中得到最大的价值,这个问题怎么求呢?事实上,对于一个给定的费用v,只需枚举将这个费用如何分配给两个泛化物品就可以了。同样的,对于0…V 中的每一个整数v,可以求得费用v分配到h和l中的最大价值f(v)。也即
    f(v)=max{h(k)+l(v−k)∣0≤k≤v}f(v) = max\{h(k) + l(v − k) | 0 ≤ k ≤ v\}f(v)=max{h(k)+l(v−k)∣0≤k≤v}
  • 我们将f定义为泛化物品h和l的和: h、 l都是泛化物品,若函数f满足以上关系式,则称f是h与l的和。泛化物品和运算的时间复杂度取决于背包的容量,是O(V^2)。
  • 由泛化物品的定义可知:在一个背包问题中,若将两个泛化物品代以它们
    的和,不影响问题的答案。事实上,对于其中的物品都是泛化物品的背包问
    题,求它的答案的过程也就是求所有这些泛化物品之和的过程。若问题的和
    为s,则答案就是s(0…V )中的最大值。

原文没有提到第二点的时间复杂度为什么是$O(V^2)?可以看看下面的伪代码就明白了:

for v=0 to V
	for k=0 to v//等价于 for k=v to 0

所以时间复杂度为O(V∗V/2)=O(V2)O(V*V/2)=O(V^2)O(V∗V/2)=O(V2)。

3. 背包问题的泛化物品

  • 一个背包问题中,可能会给出很多条件,包括每种物品的费用、价值等属性,物品之间的分组、依赖等关系等。但肯定能将问题对应于某个泛化物品。也就是说,给定了所有条件以后,就可以对每个非负整数v求得:若背包容量为v,将物品装入背包可得到的最大价值是多少,这可以认为是定义在非负整数集上的一件泛化物品。这个泛化物品——或者说问题所对应的一个定义域为非负整数的函数——包含了关于问题本身的高度浓缩的信息。一般而言,求得这个泛化物品的一个子定义域(例如0…V )的值之后,就可以根据这个函数的取值得到背包问题的最终答案。
  • 综上所述,一般而言,求解背包问题,即求解这个问题所对应的一个函数,即该问题的泛化物品。而求解某个泛化物品的一种常用方法就是将它表示为若干泛化物品的和然后求之。

崔本人是做过很多题目,思考总结的结果。这里初学者很难体会这种思想,但是我们能确定几点:

  • 抽象问题本身为h(v)h(v)h(v)的函数。
  • 拆分h(v)=max{h1(k1)+h2(k2)+h1(k1)...+hn(kn))},0<k1+k2+k3......kn<Vh(v)=max\{h_{1}(k_{1})+h_{2}(k_{2})+h_{1}(k_{1})...+h_{n}(k_{n}))\},0<k_{1}+k_{2}+k_{3}......k_{n}<Vh(v)=max{h1​(k1​)+h2​(k2​)+h1​(k1​)...+hn​(kn​))},0<k1​+k2​+k3​......kn​<V
  • 每个子函数hn(kn),0<kn<Vh_{n}(k_{n}),0<k_{n}<Vhn​(kn​),0<kn​<V
  • 根据物品性质确定如何划分hn(kn)h_{n}(k_{n})hn​(kn​),特别的每个子函数同样符合h(v)h(v)h(v)的思想,可以继续拆分。
动态规划DP入门详解(从原理到实战,新手必看) 动态规划(Dynamic Programming,简称DP)是一种解决多阶段决策过程最优化问题的方法。其核心思想是:如果一个大问题的最优解包含其子问题的最优解,则称该问题具有最优子结构性质。动态规划是一种强大的算法设计技术,它将复杂问题分解为简单子问题,通过保存子问题的解避免重复计算。理解核心概念:重叠子问题、最优子结构、状态转移方程掌握解题框架:五步曲法(定义状态、确定转移、初始化、遍历顺序、举例验证)熟悉经典问题:斐波那契、背包问题、字符串编辑距离等培养调试能力。 阅读详情

相关推荐

算法-动态规划- 背包问题 P08- 泛化物品背包(包含源程序).rar

算法-动态规划- 背包问题 P08- 泛化物品背包(包含源程序).rar

DP(动态规划)入门基础详解

DP总结 ps:学了近两个月的DP,是时候总结一波了… DP基本概要: 动态规划算法把原问题视作若干个重叠子问题的逐层递进,每一个子问题的求解过程都构成一个“阶段”。在完成前一个阶段的计算后,动态规划才会执行下一阶段的计算。 无后效性 : 为了保证这些计算能够按顺序,不重复进行,动态规划要求当前阶段不会对前面的阶段产生影响的基本条件。 最优子结构性质:大多数情况下,动态规划是用来求解最优化问题。此...

qq_44341728的博客 3338

手把手教你用PLECS仿真BUCK数字电源(含DSP代码实现)

本文详细介绍了如何利用PLECS仿真软件与Visual Studio 2022搭建高保真数字电源开发环境,手把手指导从BUCK电路建模、编写硬件感知的C控制算法到参数调优的全过程。重点阐述了通过DLL接口实现软件在环仿真,模拟DSP的ADC/PWM时序,并将验证后的代码无缝迁移至TI C2000系列DSP,构建从仿真到固件的完整数字电源开发闭环,显著提升开发效率与一次成功率。

oo7890的博客 400

第八重关:泛化物品

泛化物品是一种思想: 1)考虑到这样一件物品,它并没有固定的费用和价值,但是它的价值随着你分配给它的费用而变化。 2)在背包容量为 V 的背包问题中,泛化物品是一个定义域为中的整数的函数 H,当分配给它费用为 v 时,能够的到的价值是H(v)。 3)泛化物品就是一个数组,给它一个 v,得到相应的 H 值。 题目:HDU 1712(题意非常简洁) #include...

猫ER 511

Aspice的理解

ASPICE 是由汽车行业的主要公司和组织合作开发的,包括德国汽车工业联合会(VDA)和国际汽车工作组(Automotive SIG)。其目标是通过标准化的软件开发流程,提高汽车电子系统的软件质量和可靠性。

hkj8808的博客 2017

FOC控制必看:单/双/三电阻电流采样方案全对比(附NXP实战避坑指南)

本文深入对比了FOC控制中单电阻、双电阻和三电阻电流采样方案的优劣与适用场景,重点剖析了采样时序、窗口与ADC转换的工程挑战。针对NXP平台,提供了解决采样窗口过窄的实战方案与配置指南,帮助工程师根据成本与性能需求做出最优选择,并规避常见设计陷阱。

n2o3p4的博客 417

背包九讲学习笔记 第七讲-有依赖的背包问题 第八讲-泛化物品

背包dp,背包到底是什么? 7.有依赖的背包问题 有依赖的背包问题指的是如果物品j依赖于物品i, 要想选择物品j必须先选择了物品i. 一个简化的问题是:一件物品只会依赖最多一件物品,且附属品不会被依赖. 思考 首先想一下我的dp训练第19题黄金矿工.那道题里实际上一条过原点的直线上的金块会按顺序依赖.当时的解法是将一条线上的所有物品看成一组,然后将组中前方物品的值加在后方...

秋叶红于二月花 1986

Carsim2019与Simulink (Matlab2018b)联合仿真成功(超详细)

Carsim与Simulink联合仿真成功

强强的博客 3万+

动态规划——泛化物品

·玄学的东西 ·定义:如果物品k的价值w并不是固定的,而是随着投入的费用c改变而改变,那么这是个泛化物品。 ·不得不介绍的两种关系: 请- 1.独立结合:两个物品都可以被分到某东西的一部分。 2.互斥结合:两个物品中只有一个能被分到某东西。 ·泛化物品在背包中的show: 转载于:https://www.cnblogs.com/konglingy...

adapter12345的博客 255

《软件工程——实践者的研究方法》重难点复习笔记(第八章——理解需求)

8项需求工程任务 inception 开始 8.1.1 identify stakeholders 定义:从软件开发中收益 例如:市场人员、销售经理、顾客、顾问、维护团队等(P139) 8.1.2 这个阶段的问题是context-free的。有三套(P140) 8.1.3 提到NFR(nonfunctional requirement)和QFD(quality

whooiif的博客 1815

BEVFormer vs BEVFusion:5个关键差异点帮你选对环视感知方案

本文深入对比了自动驾驶领域两大主流环视感知方案BEVFormer与BEVFusion。BEVFormer作为纯视觉BEV感知的标杆,通过注意力机制隐式学习深度,成本较低;而BEVFusion作为多模态融合典范,融合激光雷达与摄像头数据,在性能、小目标检测及极端环境鲁棒性上优势显著。文章从计算效率、部署成本、数据依赖性等五个核心维度提供选型指南,帮助技术决策者根据自身算力预算与传感器配置做出明智选择。

weixin_29306011的博客 124

《DP学习系列》从零开始学习动态规划,有依赖的背包问题(七)

1. 预备部分   如果真的从零开始学习DP,那么从七讲以后的部分就要烧脑细胞了。如果是为了笔试准备,笔者感觉后面就可以不用看了。但是笔者这里还是完整记录完,我们看别人的结论尚且要思索万千,所以崔添翼真是非常聪明。该部分来自NOIP2006的比赛原题,所以我们初学者也有必要看看前因后果,原题如该博主记录所示。 2. 简化的问题   金明的预算的原题节选: 把想买的物品分为两类:主...

LoveStackover的博客 341

增益可控放大电路-电路与电子技术课程设计

增益可控放大电路-电路与电子技术课程设计

Yeats_Liao的博客 1万+

《DP学习系列》从零开始学习动态规划,分组背包(六)

前言   引文来自崔添翼背包九讲 1. 题目 背包有N件物品和一个容量为V的背包。第i件物品的费用是Ci,价值是Wi。这些物品被划分为K组,每组中的物品互相冲突,最多选一件。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。 2. 分析 这个问题变成了每组物品有若干种策略:是选择本组的某一件,还是一件都不选。也就是说设F [k,v]表示前k组物品花...

LoveStackover的博客 190

安装并新建windows下wxwroks7.0 bootrom工程

安装licence,将zwrsLicense-vx7-perm.lic粘贴到安装目录C盘WindRiver/license下。现在双击Workbench 4,新建vxworks7.0工程,会出现下面的情况,因为没有licence。编译完成binaries下生成wxwroks x86格式,可以修改bootrom硬件信息的配置了。单击x86_wxwroks工程右键,build project编译工程。双击桌面Workbench 4打开,新建windows下工程。新建完成,选择finish。

wangjie36的博客 1923

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

从零开始算法篇之动态规划(三)

1. 回顾   此篇和笔者之前记录的背包九讲系列笔记接轨,现在回顾下笔者总结的背包九讲的一些内容: 背一中,使用滚转数组优化了空间复杂度,针对不同的问题,初始状态的赋值也会相应不同。 背二中,对于输入数据提前优化,减少待处理数据量的,这种排序优化应该保证是稳定的。然后对于选多件物品的问题,又可以使用二进制优化,将原本O(n)O(n)O(n)的复杂度降低到O(logn)O(logn)O(log...

LoveStackover的博客 259

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

背包问题总结

前几天hxn问我洛谷上一道P2014选课的题目,然后我看着脑子也犯迷糊了,所以重新学习一下《背包九讲》,写个笔记留作纪念。 Section I 01背包&amp;amp;amp;完全背包 这两种背包非常有意思,01背包的顺序是V…0,而完全背包的顺序是0…V。其背后的原理是,V…0所用的状态都是没有取过当前物品的状态,而0…V所用的状态是可能取过任意个当前物品的状态。所用他们dp的顺序完全相反。 01Pack i...

qq_42778110的博客 768

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

洛谷多维DP(4):P1417 烹调方案——泛化背包,贪心+DP

P1417 烹调方案 输入输出样例 输入 #1复制 74 1 502 2 47 输出 #1复制 408 总结目录 1.什么是泛化物品 2.状态方程的书写,排序与DP的原因 1 什么是泛化物品 参考 https://www.kancloud.cn/kancloud/pack/70132 泛化物品是指,物品的价值会随着物品的cost而变化。假设cost为一个变量,那么value=value(cos...

qq_35299223的博客 537

(四) 强化学习——动态规划(DP)

在开始之前,大家肯定会有个疑惑,什么是动态规划?动态规划和强化学习又有啥子关系。以前在学习动态规划的时候可没听说过强化学习,现在学习强化学习为什么要了解动态规划?首先我们知道动态规划是一类优化方法。那我们遇到什么类型问题的时候用动态规划算法?动态规划算法把求解复杂问题分解为求解子问题,通过求解子问题进而得到整个问题的解。在解决子问题的时候,其结果通常需要存储起来被用来解决后续复杂问题。

qq_44524552的博客 1527

动态规划(dp学习)(几乎涵盖所有dp模型)

持续更新中,也欢迎大佬指出错误 1.数学三角模型: 1.摘花生 Hello Kitty想摘点花生送给她喜欢的米老鼠。 她来到一片有网格状道路的矩形花生地(如下图),从西北角进去,东南角出来。 地里每个道路的交叉点上都有种着一株花生苗,上面有若干颗花生,经过一株花生苗就能摘走该它上面所有的花生。 Hello Kitty只能向东或向南走,不能向西或向北走。 问Hello Kitty最多能够摘到多少颗花生。 思路:这其实是一个简单的数字三角模型的题 #include<

qq_52280112的博客 2666

背包DP的标准代码模板

关于背包DP的标准代码 1、01背包 2、完全背包 3、多重背包 4、混合背包 5、泛化物品

Center_Braps的博客 778

数位DP学习整理(数位DP看完这篇你就会了)

文章目录数位DP数位DP介绍数位DP解法数位DP经典例题例题1:度的数量例题2:计数问题例题3:数字游戏例题4:windy数数位DP总结 数位DP 数位DP介绍 数位DP往往都是这样的题型,给定一个闭区间[l,r][l,r][l,r],让你求这个区间中满足某种条件的数的总数。而这个区间可能很大,简单的暴力代码如下: int ans=0; for(int i=l;i<=r;i++){ if(check(i))ans++; } 我们发现,若区间长度超过1e81e81e8,我们暴力枚举就会超时了,

pursuit的博客 4万+

动态规划(DP)学习和思考

动态规划算法的变形有很多,题型有很多,解题的方法也有很多。想要把动态规划算法用的如鱼得水,我觉得还是得多刷题目并不断思考。学习算法时,重点不在于这道题的标签是什么,更重要的在于去思考这道题目的底层逻辑,尝试去对问题进行剖析,而不是停留在用DP或者回溯或者别的算法的公式去套。题目是活的,人也是活的,希望我们都能在不断解决问题的快乐中继续前行。

m0_65648562的博客 1199

DP入门(学习笔记)

由dfs,记忆化搜索到dp,详细介绍了背包问题

2301_76215417的博客 1150

学习dp进阶(内涵GESP考级内容,至少涨5分,GESP大佬的重要秘籍)

前半个小时用来做单选和判断(不会的就先排除离谱的,可能留下来两三个选项,可以自己带入进去算一下,如果老师没说不允许,就直接复制到编译器测试)编程题第一题一定要是4级以上一定要做到20分,4级以下就满分,第二题如果不会就列举或骗分(5级有一次特别难,我第二题骗了7.5分)6级及以上:没考,但预计会考一些模拟,dp等(6级以上跳级非常难,一定要预留好时间)2级(我跳级了,没考):涉及到一点数学,二进制,字符串等,比一级难一点点。4级(要看运气,题目难不难,我有一次不怎么难,差点90分):30。

I_WILL_AK_IOI的博客 1414

强化学习常用算法比较

目录Dynamic ProgrammingMonte Carlo MethodsTemporal-Difference Learningn-step BootstrappingDQN背景改进 Dynamic Programming 思路: 利用Bellman方程迭代,每次迭代过程中,用所有的状态s的第k次迭代得到的vk(s’)来计算第k+1次的vk+1(s)的值。经过这种方法的反复迭代,最终可以...

Lynn_1125的博客 3509
上一篇: DSAA之图论DFS算法,初识回溯(八)
下一篇: DSAA补充之B树、B+树
LoveStackover
博客等级 码龄9年 14粉丝 57原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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