DP之一般背包问题

(⊙o⊙)…,不打算发的,因为思路就是将多重背包转成0-1背包解决。比较水。
就是0-1背包的代码简化了不少~按照课本讲的代码方式去写确实很坑……

//x[i]是物品i的个数,a[i],c[i]依次为质量,价值,容量为n
然后这次处理和上一个的区别就是dp[i][j]代表的意义略有不同,汗,其实也是一个意思

此处dp[i][j]代表,容量为j,物品从1->i物品获得的最优解

for(i =1; i < m+1 ;i++)
   for(j =1 ;j<n+1;j++)
   {
       if(w[i]<=j)     //如果当前物品的容量小于背包容量
       dp[i][j]=max( v[i] + dp[i-1][j -w[i]] 
,   dp [ i - 1 ][ j ]);  
        else dp [ i ][ j ] = dp [ i - 1 ][ j ];
    }



完整代码:

//x[i]是物品i的个数,a[i],c[i]依次为质量,价值,容量为n
//思路就是转换成0-1背包处理
#include<iostream>
using namespace std;
const int MAX = 9999;

int main()
{
    int n;   // 背包容量为n
    int i , j;
    int m = 0; //物品个数
    cout << "请输入背包的容量n:";
    cin >>n;
    int x [ MAX ] = { 0 };           //个数
    int a [ MAX ] = { 0 };         //质量
    int c [ MAX ] = { 0 };         //价值
    int w [ MAX ] = { 0 };         //转换成0-1背包后的质量
    int v [ MAX ] = { 0 };     //装成0-1背包后的价值
    cout << "请分别输入物品的个数,该物品的质量和价值(中间用空格隔开,输入个数为0时结束):" << endl;   //当x[i] = 0时结束
    for( i = 1 ; cin >> x [ i ] && x [ i ] != 0 ;   i ++)
    {
        cin >> a [ i ] >> c [ i ];
        for( j = m + 1; j <= m + x [ i ] ; j ++)
        {
            w [ j ] = a [ i ];
            v [ j ] = c [ i ];
        }
        m += x [ i ];   //最后得到m就是物品的个数
    }
    int temp = i - 1;             //多输入了一个0,不用计入

    int ** dp = new int * [ m + 1 ];          
    for( i = 0; i < m + 1 ; i ++)      
        dp [ i ] = new int [n + 1 ];
    //dp[m+1][n+1]
    //dp[i][j]容量为j时,1->i中的物品的最优值
    for( i = 0; i <= m; i ++)
        for( j = 0; j <=n; j ++)
            dp [ i ][ j ] = 0;

    for( i = 1; i < m + 1 ; i ++)
        for( j = 1 ; j <n + 1; j ++)
        {
            if( w [ i ] <= j)     //如果当前物品的容量小于背包容量
                  dp [ i ][ j ] =( v [ i ] + dp [ i - 1 ][ j - w [ i ]] > dp [ i - 1 ][ j ] ) ?( v [ i ] + dp [ i - 1 ][ j - w [ i ]] ) : dp [ i - 1 ][ j ];
            else dp [ i ][ j ] = dp [ i - 1 ][ j ];
        }

        cout << "能放入的最大价值为" << dp [ m ][n ] << endl;

        //用于判断哪些物品装入了
        int judge [ MAX ] = { 0 } ;
        for( i = m ; i > 1; i -- )
            if( dp [ i ][n ] == dp [ i - 1 ][n ]) judge [ i ] = 0;
            else { judge [ i ] = 1; n -= w [ i ]; }
            judge [ 1 ] = ( dp [ 1 ][n ]) ? 1 : 0;

            int temp_w [ MAX ] = { 0 };
            int temp_v [ MAX ] = { 0 };
            int times [ MAX ] = { 0 };
            int k = 1;
            for( i = 1; i < m + 1; i ++)
            {
                if( judge [ i ] == 1 ){ temp_w [ k ] = w [ i ];     temp_v [ k ] = v [ i ];     k ++ ;}
            }
            int k_max = k;
            for( i = 1; i <= temp ; i ++)
            {
                for( k = 0; k <= k_max; k ++)
                    if( temp_w [ k ] == a [ i ] && temp_v [ k ] == c [ i ]){ times [ i ] ++ ;}
            }
            cout << "可以装入的物品编号,装入该物品个数,该物品的质量和价值分别是:" << endl;
            for( i = 1; i <= temp; i ++)
                if( times [ i ] > 0)
                    cout << "第" << i << "个物品:" << times [ i ] << "个  " << a [ i ] << "  " << c [ i ] << endl;


           
}






测试数据
30
3 4 5
2 6 4
1 3 4
4 5 8
0

10
1 2 6
1 2 3
1 6 5
1 5 4
1 4 6
0


DP之一般背包问题



### 动态规划求解背包问题 #### 定义与背景 背包问题是一类经典的组合优化问题,旨在给定一组物品及其价值和重量的情况下,在不超过容量的前提下最大化所选物品的价值总和。对于此类问题,动态规划提供了一种有效的解决方案。 #### 线性动态规划简介 线性动态规划是指那些状态转移仅依赖于前一步骤的状态,并且这些状态沿单一方向依次更新的情况[^3]。当应用于背包问题时,这意味着当前决策只取决于之前的选择结果而不涉及未来的预测。 #### 使用线性DP解决0/1背包问题的具体方法 为了简化说明,这里讨论的是最基础版本的0/1背包问题: - 设有n件不同类型的物品以及一个最大承重为W的背包; - 对第i项物品而言,其对应的权重wi和收益vi都是已知量; 定义二维数组`dp[i][w]`表示从前i个物件里挑选若干放入载荷上限为w的包裹内所能获得的最大效益,则状态转换方程可写作如下形式: \[ dp[i][w]=\max(dp[i−1][w],dp[i−1][w-w_i]+v_i)\] 其中\( w \geqslant wi\) ,否则取 \(dp[i][w]=dp[i-1][w]\),即不考虑加入新项目的情形。 此过程通过迭代遍历所有可能的商品组合来逐步构建最终解答表,从而找到全局最优解。 ```python def knapsack(weights, values, capacity): n = len(values) # 创建并初始化dp表格 dp = [[0]*(capacity+1) for _ in range(n+1)] for i in range(1,n+1): for c in range(capacity+1): if weights[i-1]<=c: dp[i][c]= max(dp[i-1][c],values[i-1]+dp[i-1][c-weights[i-1]]) else : dp[i][c]=dp[i-1][c] return dp[-1][-1] ``` 上述代码实现了基于线性动态规划原理处理标准型整数约束下的0/1背包模型的功能[^2]。 #### 性能分析 这种方法的时间复杂度主要由两个嵌套循环决定,因此总体效率大约为O(N*W),N代表商品数量而W则是指代背包容积大小。尽管如此,由于采用了记忆化技术保存中间运算成果,使得实际执行速度远优于暴力穷举法。
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