二维费用背包问题+空间优化(滚动数组)

本文探讨了如何使用动态规划解决背包问题,并通过空间优化减少内存消耗。以特定字符串组成为例,详细介绍了状态转移方程及其实现过程。
题目描述:

在计算机世界,我们一直追求用最小的资源产生最大的价值。

现在,假设你可以支配m个0和n个1。同时有一些只有0和1组成的字符串。

你的任务是用这些0和1去组成这些字符串,输出最多能组成多少个字符串。每个0和1只能被使用一次。

样例输入


样例一

输入: Array = {"10", "0001", "111001", "1", "0"}, m = 5, n = 3

输出: 4

解释: 用5个0和3个1可以至多组成4个给定字符串,分别为“10”、”0001”、”1”、”0”。

该题意可以转换为==》你有容量为m个0,n个1的背包,然后给你如何把字符串数组中的字符串放到该背包中,使得放的字符串数目尽可能地多?

然后就可以得出去状态转移方程:

dp[i][j][k]代表有j个0和k个1的背包,然后把前i个串放进去该背包中,所放的字符串数目的最大值

dp[i][j][k] = max{ dp[i-1][j][k](不放),dp[i-1][j-v[i]][k-u[i]]() }

代码如下:

#include <iostream>
#include <algorithm>
#include <string>
using namespace std;
#define maxn 128
string s[] = { "10", "0001", "111001", "1", "0" };
int m = 5;//0的数目
int n = 3;//1的数目
int zeroNum[maxn], oneNum[maxn];
int dp[maxn][maxn][maxn];
int main()
{
	for (int i = 1; i <= 5; i++)
	{
		for (int j = 0; j < s[i].length(); j++)
		{
			if (s[i][j] == '1'){
				oneNum[i]++;
			}
			else{
				zeroNum[i]++;
			}
		}
	}

	for (int i = 1; i <= 5; i++)
	{
		for (int j = 0; j <= m; j++)
		{
			for (int k = 0; k <= n; k++)
			{
				if (j >= zeroNum[i] && k >= oneNum[i]){
					dp[i][j][k] = max(dp[i - 1][j][k], dp[i-1][j - zeroNum[i]][k - oneNum[i]] + 1);
				}
				else{
					dp[i][j][k] = dp[i - 1][j][k];
				}
			}
		}
	}
	cout << dp[5][m][n] << endl;

	return 0;
}

空间优化(滚动数组):


由于前i个串的情况都是由前i-1个串推导出来的,与前1~i-2的情况没有任何的关系,这也就是无后效性(个人理解,不对求纠正),然后我们可以把这一维去掉,即状态转移方程变成:

dp[i][j][k] = max{ dp[i-1][j][k](不放),dp[i-1][j-v[i]][k-u[i]]() } =》dp[j][k] = max{ dp[j][k](不放),dp[j-v[i]][k-u[i]]() }(j、k的遍历顺序要变成倒序)

变成倒序的理由:因为dp[i][j][k]是由dp[i-1][j - zeroNum[i]][k - oneNum[i]]推导出来的,而不是dp[i][j - zeroNum[i]][k - oneNum[i]]
所以dp[i][j - zeroNum[i]][k - oneNum[i]]必须后于dp[i][j][k]求值才能保证dp[i][j][k]是由dp[i-1][j - zeroNum[i]][k - oneNum[i]]推导而来的


代码如下:

#include <iostream>
#include <algorithm>
#include <string>
using namespace std;
#define maxn 128
string s[] = { "10", "0001", "111001", "1", "0" };
int m = 5;//0的数目
int n = 3;//1的数目
int zeroNum[maxn], oneNum[maxn];
int dp[maxn][maxn];
int main()
{
	for (int i = 1; i <= 5; i++)
	{
		for (int j = 0; j < s[i].length(); j++)
		{
			if (s[i][j] == '1'){
				oneNum[i]++;
			}
			else{
				zeroNum[i]++;
			}
		}
	}

	for (int i = 1; i <= 5; i++)
	{
		for (int j = m; j >= zeroNum[i]; j--)
		{
			for (int k = n; k >= oneNum[i]; k--)
			{
				if (j >= zeroNum[i] && k >= oneNum[i]){
					dp[j][k] = max(dp[j][k], dp[j - zeroNum[i]][k - oneNum[i]] + 1);
				}
			}
		}
	}
	cout << dp[m][n] << endl;

	return 0;
}


### 啊哈编程中的二维费用背包问题 二维费用背包问题是经典的一维背包问题的扩展版本,在实际应用中更加贴近现实场景。该问题的核心在于物品不仅具有重量这一维度,还可能受到其他约束条件的影响(如体积或其他资源消耗)。因此,解决问题的关键是利用动态规划的思想来优化计算过程。 #### 动态规划实现思路 在二维费用背包问题中,假设每件物品有两个属性:`weight[i]` 和 `cost[i]`,分别表示第 i 件物品的重量和额外成本;同时设有一个容量为 W 的背包以及总预算 C。目标是在不超过这两个限制的情况下最大化价值 V。 定义状态转移方程如下: - 设 `dp[j][k]` 表示当前考虑前 i 件物品时,背包剩余容量 j 和预算 k 下的最大价值。 - 初始状态:当没有任何物品可选或者背包容量/预算是零时,最大价值显然为 0,即 `dp[0][0] = 0`。 - 转移关系: - 如果不选择第 i 件物品,则保持之前的状态不变: \( dp[j][k] = dp[j][k] \)[^1] - 如果选择第 i 件物品,并且满足 \(j >= weight[i]\) 和 \(k >= cost[i]\),则更新状态为: \( dp[j][k] = max(dp[j][k], dp[j-weight[i]][k-cost[i]] + value[i]) \)[^1] 最终答案存储在 `dp[W][C]` 中。 以下是基于上述理论的具体 Python 实现代码: ```python def two_dimensional_knapsack(weights, costs, values, capacity_weight, capacity_cost): n = len(values) # 初始化 DP 数组 dp = [[0 for _ in range(capacity_cost + 1)] for __ in range(capacity_weight + 1)] for i in range(n): # 遍历每一个物品 w_i, c_i, v_i = weights[i], costs[i], values[i] for j in range(capacity_weight, w_i - 1, -1): # 倒序遍历重量 for k in range(capacity_cost, c_i - 1, -1): # 倒序遍历花费 dp[j][k] = max(dp[j][k], dp[j-w_i][k-c_i] + v_i) return dp[capacity_weight][capacity_cost] weights = [2, 3, 4, 5] costs = [1, 2, 3, 4] values = [3, 4, 5, 6] W = 8 # 总承重 C = 6 # 总预算 result = two_dimensional_knapsack(weights, costs, values, W, C) print(f"Maximum Value Achievable is {result}") ``` 此段程序实现了二维费用背包问题的基础框架并给出了样例输入输出展示如何调用函数得到结果[^2]。 #### 进一步说明 为了提高效率减少不必要的运算量,可以采用滚动数组技术进一步压缩空间复杂度至 O(W*C)。此外需要注意边界情况处理比如某些参数设置不合理等情况下的异常捕获机制设计等问题[^3]。
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