超大背包问题

 

#include<stdio.h>
#include<algorithm>
#include<iostream>
typedef unsigned long long LL;
using namespace std;
const int maxn = 40;
LL INF  = (1<<32)-1;
//const LL INF = 0xFFFFFF;
int n;
LL w[maxn],v[maxn];
LL W,res;
pair<LL,LL>ps[1<<(maxn/2)];
void solve()
{
    int n2 = n/2;
    for(int i=0;i<1<<n2;i++)
    {
        LL sw=0,sv=0;
        for(int j=0;j<n2;j++)
        {
            if(i>>j&1)
            {
                sw+=w[j];
                sv+=v[j];
            }
        }
        ps[i]=make_pair(sw,sv);
    }
    sort(ps,ps+(1<<n2));
    int m = 1;
    for(int i=1;i<1<<n2;i++)
    {
        if(ps[m-1].second<ps[i].second)
        {
            ps[m++]=ps[i];
        }
    }
    for(int i=0;i<1<<(n-n2);i++)
    {
        LL sw=0,sv=0;
        for(int j=0;j<n-n2;j++)
        {
            if(i>>j&1)
            {
                sw+=w[n2+j];
                sv+=v[n2+j]; 
            }
        }
        if(sw<=W)
        {
            LL tv = (lower_bound(ps,ps+m,make_pair(W-sw,INF))-1)->second;
            res = max(res,sv+tv);
        }
    } 
    printf("%lld\n",res);
}
int main(void)
{
    cin >> n;
    for(int i=0;i<n;i++) cin >> w[i];
    for(int i=0;i<n;i++) cin >> v[i];
    cin >> W;
    solve();
    return 0;
} 

eg.数据在为long long 时候,不能使用(1<<32)-1,因为long long 最大值为(1<<31)-1

 

转载于:https://www.cnblogs.com/zuimeiyujianni/p/10033079.html

### 大规模01背包问题的解决方案 针对大规模01背包问题,动态规划提供了一种有效的解决方法。然而,在处理非常大的数据集时,标准的二维数组实现可能会遇到内存不足的问题。因此,采用一维滚动数组的空间优化策略成为一种常见的改进措施[^1]。 #### 动态规划的一维数组优化 在一维数组优化的方法中,仅需维护一个大小为容量加一的一维数组`dp[]`。该数组用于记录不同重量下的最大价值。更新此数组的方式是从后向前遍历物品列表,从而避免重复覆盖未处理的数据: ```java public class Knapsack { public static int knapSack(int W, int wt[], int val[], int n) { int i, w; int K[] = new int[W + 1]; for (i = 0; i <= n; i++) { for (w = W; w >= wt[i]; w--) { if(wt[i]<=W){ K[w] = Math.max(K[w], K[w - wt[i]] + val[i]); } } } return K[W]; } } ``` 这种方法不仅减少了所需的额外空间,还保持了时间复杂度不变,即O(n*W),其中n表示物品数量而W代表背包的最大承重能力。 当面对更大规模的问题实例时,除了上述提到的技术外,还可以考虑其他几种可能有助于进一步提升性能的选择: - **近似算法**:如果允许一定的误差范围,则可以通过舍弃部分精度换取更高的执行速度; - **启发式搜索**:利用诸如遗传算法或者模拟退火这样的随机化技术探索解空间,虽然无法保证找到全局最优解,但在很多情况下能快速给出满意的结果; - **分布式计算框架**:借助MapReduce等工具将任务分解成多个子任务并发运行,适用于拥有海量输入数据的情形; 尽管贪心算法简单易懂,但对于0-1背包这类存在相互依赖性的组合最优化难题来说并不适用,因为这种局部最优选择往往不能带来全局最佳效果[^2]。
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