所有背包问题代码总结 C++

01背包问题

在n个物品中挑选若干物品装入背包,最多能装多满?假设背包的大小为m,每个物品的大小为A[i]

 注意事项

你不可以将物品进行切割。

如果有4个物品[2, 3, 5, 7]

如果背包的大小为11,可以选择[2, 3, 5]装入背包,最多可以装满10的空间。

如果背包的大小为12,可以选择[2, 3, 7]装入背包,最多可以装满12的空间。

函数需要返回最多能装满的空间大小。

01背包的状态转换方程 f[i,j] = Max{ f[i-1,j-Wi]+Pi( j >= Wi ),  f[i-1,j] }

f[i,j]表示在前i件物品中选择若干件放在承重为 j 的背包中,可以取得的最大价值。
Pi表示第i件物品的价值(本题也是重量)。Wi表示第i件物品的重量。
决策:为了背包中物品总价值最大化,第 i件物品应该放入背包中吗 ?


O(m * n) 时间复杂度

O(m * n)空间复杂度

class Solution {
public:
    /**
     * @param m: An integer m denotes the size of a backpack
     * @param A: Given n items with size A[i]
     * @return: The maximum size
     */
    int backPack(int m, vector<int> A) 
    {
        int k = A.size();
        int f[k][m + 1] = {0};
        for (int i = 0; i < k; i++)
        {
            for (int j = 1; j <= m; j++)
            {
                if (i == 0)
                {
                    f[i][j] = (j >= A[i]) ? A[i] : 0;
                    continue;
                }
                if (j >= A[i])
                    f[i][j] = max(f[i-1][j], f[i-1][j-A[i]] + A[i]);  
                else
                    f[i][j] = f[i-1][j];
            }
        }
        return f[k-1][m];
    }
};


O(m * n) 时间复杂度

O(m)空间复杂度

下面就是01背包问题的标准答案

W 是物品重量

V是物品价值。返回的是最大价值。


特点就是里面的for循环是从大到小。

class Solution {
public:
    int backPack(int m, vector<int> W, vector<int> V)
    {
        int k = W.size();
        vector<int> f(m + 1, 0);
        
        for (int i = 0; i < k; i++)
        {
            for (int j = m; j >= W[i]; j--)
            {
                f[j] = max(f[j], f[j - W[i]] + V[i]);
            }
        }
        return f[m];
    }
};




完全背包问题

容量为10的背包,有5种物品,每种物品数量无限,其重量分别为5,4,3,2,1,其价值分别为1,2,3,4,5。 
设计算法,实现背包内物品价值最大。 

W是物品的重量的数组,V是物品价值的数组。

特点就是里面的for循环是从小到大。


int backPack(int T, vector<int> W, vector<int> V)
{
    int f[T + 1] = {0};
    for (int i = 0; i < W.size(); i++)
    {
        for (int j = w[i]; j <= T;j++)
        {
            f[j] = max(f[j], f[j - w[i]] + v[i]);
        }
    }
    return f[T];
}


多重背包问题

容量为10的背包,有5种物品,每种物品数量分别为1,2,1,2,1,其重量分别为5,4,3,2,1,其价值分别为1,2,3,4,5。 
设计算法,实现背包内物品价值最大。

W是重量的数组。

cot是数量的数组

V是价值的数组


特点是:中间加了一个cot的循环,最里面的循环是从大到小遍历


int backPack(int T, vector<int> W, vector<int> cot, vector<int> V)
{
    int f[T + 1] = {0};
    for (int i = 0; i < W.size(); i++)
    {
        for (int k = 1; k <= cot[i]; k++)
        {
            for (int j = T; j >= w[i]; j--)
            {
                f[j] = max(f[j], f[j - w[i]] + v[i]);
            }
        }
    }
    return f[T];
}









<think>好的,我现在需要帮助用户理解完全背包问题C++代码。首先,我得回忆一下完全背包问题的定义。完全背包01背包的区别在于,每种物品可以选取无限次,而不是只能选一次。所以动态规划的状态转移方程会有所不同。 接下来,我得考虑如何用动态规划来解决这个问题。通常,动态规划会使用一个数组dp,其中dp[j]表示容量为j的背包能装的最大价值。对于完全背包,状态转移方程应该是dp[j] = max(dp[j], dp[j - w[i]] + v[i]),这里i是当前物品的索引,w[i]是重量,v[i]是价值。需要注意的是,这里的内循环应该是正序遍历,因为每个物品可以选多次,这样在更新dp[j]时,dp[j - w[i]]可能已经被当前物品更新过,从而允许重复选择。 然后,我需要确定代码的结构。用户可能需要一个完整的C++示例,包括输入输出。所以,代码的大致步骤是:读取物品数量n背包容量C,然后读取每个物品重量价值,初始化dp数组,然后进行动态规划的双重循环,最后输出结果。 在写代码的时候,要注意数组的大小。通常背包容量可能较大,所以应该使用足够大的数组或者动态分配。例如,假设C不超过1000,可以定义dp数组大小为1001。然后初始化dp数组为0,因为初始时没有物品价值为0。 然后,外层循环遍历每个物品,内层循环从w[i]到C,因为如果当前背包容量j小于物品重量w[i],就不能放入,所以直接从w[i]开始。对于每个j,更新dp[j]为当前最大值,即比较不选当前物品的dp[j]选当前物品后的dp[j - w[i]] + v[i]。 测试用例方面,可能需要举个简单的例子。例如,物品数量n=3,容量C=5物品重量w=[2,3,4],价值v=[3,4,5],那么最大价值应该是选两个第一个物品(总重量4价值6)加上第三个物品的一个可能?或者需要更准确的计算。不过这可能不是代码的重点,用户可能需要代码的正确性而非测试用例。 最后,代码需要处理输入输出。例如,输入第一行是nC,接下来n行每行两个数,分别是w[i]v[i]。输出是最大总价值。 现在,我需要确保代码的语法正确,特别是LaTeX格式的部分。用户提到的系统级指令要求数学表达式用$...$,例如物品重量w_i用$w_i$,价值v_i用$v_i$。在解释状态转移方程时,需要用数学格式。 可能用户还希望了解时间复杂度空间优化。时间复杂度是O(nC),空间复杂度是O(C)。如果背包容量很大,空间优化很重要,而完全背包的正序遍历刚好符合这个优化,不需要像01背包那样逆序。 总结下来,我需要分步骤解释问题,给出代码,并解释关键点。可能还要提到01背包的区别,尤其是内层循环的顺序。</think>让我们分步骤理解完全背包问题C++实现: ### 一、问题定义 给定$n$种物品,每种物品重量为$w_i$、价值为$v_i$,背包容量为$C$。**每种物品可无限次选取**,求背包能装下的最大价值。 ### 二、动态规划思路 定义状态:$$dp[j] = \text{容量为} j \text{时的最大价值}$$ 状态转移方程: $$dp[j] = \max(dp[j],\ dp[j - w[i]] + v[i]) \quad (\text{当} j \geq w[i])$$ ### 三、完整代码实现 ```cpp #include <iostream> #include <algorithm> using namespace std; const int MAX_C = 1001; // 根据题目调整大小 int main() { int n, C; cin >> n >> C; int w[n], v[n]; for (int i = 0; i < n; i++) { cin >> w[i] >> v[i]; } int dp[MAX_C] = {0}; for (int i = 0; i < n; i++) { // 遍历物品 for (int j = w[i]; j <= C; j++) { // 正序循环关键! dp[j] = max(dp[j], dp[j - w[i]] + v[i]); } } cout << dp[C] << endl; return 0; } ``` ### 四、关键点解析 1. **正序遍历原因**:允许重复选取物品。当处理到`j`时,`dp[j - w[i]]`可能已包含当前物品的选取,实现无限次使用。 2. **时间复杂度**:$O(n \times C)$ **空间复杂度**:$O(C)$ 3. **与01背包的差异**: - 01背包:内层倒序遍历(防止重复) - 完全背包:内层正序遍历(允许重复) ### 五、输入示例 ``` 3 5 2 3 3 4 4 5 ``` 输出:`7`(选2物品1重量2×2=4价值3×2=6;剩余容量1无法使用) ### 六、扩展建议 - 空间优化:已使用滚动数组优化 - 恰好装满:初始化时`dp[0]=0`,其他设为`-INF` - 求方案数:修改状态转移为累加操作 需要进一步解释任何细节吗?
评论 1
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