3. 完全背包问题

有 N 种物品和一个容量是 V 的背包,每种物品都有无限件可用。

第 i 种物品的体积是 vi,价值是 wi。

求解将哪些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大。
输出最大价值。

输入格式

第一行两个整数 N,V,用空格隔开,分别表示物品种数和背包容积。

接下来有 N 行,每行两个整数 vi,wi,用空格隔开,分别表示第 i 种物品的体积和价值。

输出格式

输出一个整数,表示最大价值。

数据范围

0<N,V≤1000
0<vi,wi≤1000

输入样例

4 5
1 2
2 4
3 4
4 5

输出样例:

10

 二维写法:

#include<stdio.h>

int v[1001] = { 0 }, w[1001] = { 0 };
int f[1001][1001] = { 0 };
int max(int a, int b);
int main()
{
	int N, V;
	scanf("%d %d", &N, &V);
	for (int i = 1; i <= N; i++)
		scanf("%d %d",&v[i],&w[i]);//初始化读入数据
	
	for (int i = 1; i <= N; i++) {
		for (int j = 0; j <= V; j++) {
			f[i][j] = f[i - 1][j];
			if(j>=v[i])f[i][j] = max(f[i][j], f[i][j - v[i]] + w[i]);
			//要利用前i个数据再放入一个第i个物品前的体积的数据
		}
	}
	printf("%d\n", f[N][V]);
	return 0;
}
int max(int a, int b) {
	int t = a;
	if (t < b)t = b;
	return t;
}

一维数组:

#include<stdio.h>

int v[1001] = { 0 }, w[1001] = { 0 };
int f[1001] = { 0 };
int max(int a, int b);
int main()
{
	int N, V;
	scanf("%d %d", &N, &V);
	for (int i = 1; i <= N; i++)scanf("%d %d",&v[i],&w[i]);

	for (int i = 1; i <= N; i++) {
		for (int j = v[i]; j <= V; j++) {
			f[j] = max(f[j], w[i] + f[j - v[i]]);
			//根据二维数组对应写
			//跟01背包不同,是从前往后写,这要用到当前前i个物品背包不同体积的优解的数据
		}
	}
	printf("%d\n", f[V]);

	return 0;
}
int max(int a, int b) {
	int t = a;
	if (t < b)t = b;
	return t;
}

完全背包问题是一种经典的动态规划问题,与01背包问题的主要区别在于每种物品可以无限次选取。动态规划解法可以通过二维数组或一维滚动数组实现,其中一维数组的优化方法能够有效降低空间复杂度。 ### 完全背包问题的动态规划解法 #### 一维数组优化解法 在完全背包问题中,使用一维数组的动态规划解法时,物品的遍历顺序和背包容量的遍历顺序均为正序,这与01背包问题不同。具体实现如下: ```python def unbounded_knapsack(weights, values, capacity): # 初始化一维动态规划数组,dp[j]表示容量为j时的最大价值 dp = [0] * (capacity + 1) # 遍历每一件物品 for i in range(len(weights)): weight = weights[i] value = values[i] # 正序遍历容量,因为物品可以多次选取 for j in range(weight, capacity + 1): # 状态转移方程:取当前物品多次选取的最大值 dp[j] = max(dp[j], dp[j - weight] + value) # 返回容量上限对应的最大价值 return dp[capacity] ``` #### 代码说明 - `weights` 是物品的重量列表。 - `values` 是物品的价值列表。 - `capacity` 是背包的容量上限。 - `dp[j]` 表示在容量为 `j` 的情况下可以达到的最大价值。 - 状态转移方程为:`dp[j] = max(dp[j], dp[j - weight] + value)`,表示在当前物品的重量和价值下,更新容量为 `j` 时的最大价值[^3]。 #### 二维数组解法 如果使用二维数组,状态定义为 `dp[i][j]`,表示前 `i` 件物品在容量为 `j` 下的最大价值。其状态转移方程如下: ```python def unbounded_knapsack_2d(weights, values, capacity): # 初始化二维动态规划数组,dp[i][j]表示前i件物品在容量j下的最大价值 dp = [[0] * (capacity + 1) for _ in range(len(weights) + 1)] # 遍历每一件物品 for i in range(1, len(weights) + 1): weight = weights[i - 1] value = values[i - 1] # 遍历容量范围 for j in range(1, capacity + 1): if j >= weight: # 状态转移方程:可以选择当前物品多次 dp[i][j] = max(dp[i - 1][j], dp[i][j - weight] + value) else: # 当前物品无法放入 dp[i][j] = dp[i - 1][j] # 返回最终的最大价值 return dp[len(weights)][capacity] ``` #### 优化说明 - 使用一维数组优化后,空间复杂度从 $O(n \times W)$ 降低到 $O(W)$,其中 $n$ 是物品数量,$W$ 是背包容量[^1]。 - 完全背包问题01背包问题的核心区别在于物品是否可以多次选取,因此在状态转移时,完全背包需要使用当前行的数据进行更新。 ---
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