P1757 通天之分组背包

本文介绍了分组背包问题,这是一种扩展自01背包问题的优化算法。文章详细阐述了分组背包的输入输出格式,解题思路,并提供了动态规划的优化状态转移方程。通过实例解析,展示了如何在给定物品重量、价值和组别的情况下,求解最大利用价值。此外,还讨论了代码实现细节和进一步的优化技巧。


原题链接

P1757
题目类型: 普 及 − {\color{orange} 普及-}
AC记录:Accepted

题目大意

01 01 01背包问世之后,小 A A A对此深感兴趣。一天,小 A A A去远游,却发现他的背包不同于 01 01 01背包,他的物品大致可分为 k k k组,每组中的物品相互冲突,现在,他想知道最大的利用价值是多少。

输入格式

两个数 m , n m,n m,n,表示一共有 n n n件物品,总重量为 m m m

接下来 n n n行,每行 3 3 3个数 a i , b i , c i a_i,b_i,c_i ai,bi,ci ,表示物品的重量,利用价值,所属组数。

输出格式

一个数,最大的利用价值。

S a m p l e \mathbf{Sample} Sample I n p u t \mathbf{Input} Input

45 3
10 10 1
10 5 1
50 400 2

S a m p l e \mathbf{Sample} Sample O u t p u t \mathbf{Output} Output

10

H i n t & E x p l a i n \mathbf{Hint\&Explain} Hint&Explain
取第一个物品,总价值为10

数据范围

对于 100 % 100\% 100%的数据, n , m ≤ 1000 n,m\le 1000 n,m1000

解题思路

题目都告诉你了, d p dp dp题目啊。
这道题就是分组背包的模板题。
其实吧,分组背包看起来高级,实际上和 01 01 01背包差不多,甚至我都觉得,就是 01 01 01背包的船新版本。
做法就是枚举分出来的每一个组和容量,然后在从一个组里面选出一个物品来进行动态转移,那么动态转移方程也出来了:
f i , j f_{i,j} fi,j当背包容量为 j j j时,选前 i i i组里面的东西的最大价值 w i w_i wi为第 i i i个物品的重量, c i c_i ci为第 i i i个物品的价值,则:
f i , j = { f i − 1 , j j < w k   ,   k 为 第 i 组 里 面 的 物 品 m a x ( f i − 1 , j , f i − 1 , j − w k + c k ) j ≥ w k   ,   k 为 第 i 组 里 面 的 物 品 f_{i,j}=\begin{cases} f_{i-1,j} & j<w_k\ ,\ k为第i组里面的物品 \\ max(f_{i-1,j},f_{i-1,j-w_k}+c_k) & j\ge w_k\ ,\ k为第i组里面的物品 \end{cases} fi,j={fi1,jmax(fi1,j,fi1,jwk+ck)j<wk , kijwk , ki
答案为:
f k , m   ,   k 为 组 的 个 数 。 f_{k,m}\ ,\ k为组的个数。 fk,m , k


优化

从上面的状态转移方程可以看出, f i , j f_{i,j} fi,j只和 f i − 1 f_{i-1} fi1里面的元素有关系,所以我们可以省去 i i i那一维,直接写成 f j f_j fj的形式。则动态转移方程变成:
f j = { f j j < w k   ,   k 为 第 i 组 里 面 的 物 品 m a x ( f j , f j − w k + c k ) j ≥ w k   ,   k 为 第 i 组 里 面 的 物 品 f_{j}=\begin{cases} f_{j} & j<w_k\ ,\ k为第i组里面的物品 \\ max(f_{j},f_{j-w_k}+c_k) & j\ge w_k\ ,\ k为第i组里面的物品 \end{cases} fj={fjmax(fj,fjwk+ck)j<wk , kijwk , ki
答案为:
f m f_{m} fm


最后还要注意一点:洛谷上面的组数不是按照 1 ⋯ n 1\cdots n 1n的顺序给出的,所以在做题时要注意处理好。


最后,祝大家早日
请添加图片描述

上代码

#include<iostream>
#include<vector>
#include<map>

using namespace std;

struct obj{
    obj(int a=0,int b=0):w(a),c(b){}
    int w,c;
};

vector<vector<obj> >   a;
map<int,int>           change;
vector<int>            f;
vector<obj>            emp1;
int                    v,n,t,pos;

int main()
{
    cin>>v>>n;
    f.assign(v+10,0);
    a.push_back(emp1);
    for(int i=1; i<=n; i++)
    {
        int x,y,z;
        cin>>x>>y>>z;
        if(change[z]==0)
        {
            change[z]=++pos;
            a.push_back(emp1);
        }
        a[change[z]].push_back(obj(x,y));
    }
    for(int i=1; i<=pos; i++)
        for(int j=v; j>=0; j--)
            for(int k=0; k<a[i].size(); k++)
            {
                if(a[i][k].w>j)
                    continue;
                else
                    f[j]=max(f[j],f[j-a[i][k].w]+a[i][k].c);
            }
    cout<<f[v]<<endl;
    return 0;
}

完美切题 ∼ \sim

<think>题目要求:分组背包问题。每组物品相互冲突,即每组只能选一个物品或不选。 思路: 1. 将物品按组分类,同一组的放在一起。 2. 定义dp[j]表示背包重量为j时的最大利用价值。 3. 遍历每一组,对于每一组,我们遍历背包容量从m到0(逆序),然后对于该组中的每个物品,尝试更新dp[j]。 注意:在每一组内,因为只能选一个,所以对于每个背包容量j,我们只能选择该组中的一个物品(或者不选),因此需要遍历该组中每个物品,看是否放入。 具体步骤: - 读入数据:背包容量m,物品数量n,然后n行,每行重量a_i,价值b_i,组号c_i。 - 分组:使用一个字典或者列表,将同一组的物品放在一起。由于组号k的范围是1<=k<=100,我们可以创建一个长度为k_max+1的列表,每个元素是一个列表,用于存放该组的所有物品(每个物品用重量、价值表示)。 - 初始化dp数组:长度为m+1,初始值全0。 - 遍历每一组(假设一共有max_group组),对于每一组,我们需要对背包容量j从m到0进行逆序遍历(保证每一组只选一个物品,且不会被重复选),然后遍历该组内的每一个物品,对于每个物品,如果当前背包容量j>=该物品的重量,则更新dp[j] = max(dp[j], dp[j - weight] + value) - 注意:在遍历背包容量时,需要逆序是为了避免同一组的物品被重复选择。但实际上,由于我们在同一组内是逐个物品尝试,并且背包容量逆序,这样保证了对于每个容量j,我们只可能选择该组中的一个物品(因为dp[j]的更新依赖于dp[j-weight]是上一组或之前的状态)。 但是分组背包的标准做法是: for 所有的组k: for j从m到0(逆序): for 组k中的每一个物品i: if j>= weight[i]: dp[j] = max(dp[j], dp[j-weight[i]] + value[i]) 注意:这里最内层循环对组内物品的遍历,实际上是在当前组内寻找一个最优的物品放入。因为背包容量逆序,所以不会重复放入(每个容量j只考虑一次放入该组的一个物品)。 然而,上面的三层循环中,最内层循环可能会重复更新?实际上,由于我们对于每个j,都遍历了该组所有物品,那么dp[j]会取该组中所有能放入的物品中价值最大的那个吗?不一定,因为可能会被后面的物品更新成更大的值。但是这样写是正确的,因为对于每个j,我们尝试了该组中每一个物品,取最大值。 另一种写法:先枚举组,然后枚举背包容量(逆向),然后枚举该组中每个物品(相当于01背包),但是01背包中每个物品只能选一次,而这里一组中选一个,所以相当于每个组是一个01背包的集合,然后我们只选一个。因此,我们可以把一组看成多个物品,但只能选一个。 所以上面的循环顺序是标准的。 但是要注意:在遍历背包容量时,我们逆序遍历,并且对于每个容量j,我们都要尝试该组中每一个物品(即每一个物品都尝试放入,看是否能更新dp[j])。 输入样例: 45 3 10 10 1 10 5 1 50 400 2 分组: 组1: [ (10,10), (10,5) ] 组2: [ (50,400) ] 处理过程: 初始化dp[0..45] = 0 处理组1: 背包容量j从45到0: j=45: 尝试第一个物品(10,10): 需要10<=45,则dp[45]=max(dp[45], dp[45-10]+10)=max(0, dp[35]+10)=0+10=10 -> 更新为10 第二个物品(10,5): dp[45]=max(10, dp[35]+5)=max(10,0+5)=10 j=44: ... 同理 ... j=10: 第一个物品:dp[10]=max(0, dp[0]+10)=10 第二个物品:dp[10]=max(10, dp[0]+5)=10 注意:在j=10时,两个物品都能放,但第一个物品的价值更大,所以最终dp[10]=10。 处理组2: 只有一件物品(50,400): 要求j>=50,而背包最大45,所以不放。 最后输出dp[45]=10 但是注意:上面在组1中,我们更新了dp[45]为10,而dp[35]在组1处理过程中其实还没有被更新(因为我们逆序,先处理45,然后44,...,35),所以dp[35]还是0,所以dp[45]更新为10。 因此代码步骤: 1. 读入m, n 2. 分组:用一个字典,或者列表(因为组号可能不连续?但题目说组号在int范围内,但k<=100,所以我们可以先读入所有物品,然后找出最大组号,或者用字典) 我们使用字典:group = defaultdict(list) 3. 初始化dp = [0]*(m+1) 4. 得到所有组号(排序或者直接遍历字典的键) 注意:组号可能从任意整数开始,但我们只需要遍历存在的组号。所以我们可以用字典的keys,然后排序(因为动态规划时顺序无关,但一般按组号升序即可)。 5. 遍历每个组(按组号升序): 对于背包容量j从m到0(逆序): 对于组中的每个物品(weight, value): 如果j>=weight,那么dp[j] = max(dp[j], dp[j-weight]+value) 6. 最后输出dp[m] 但是注意:上面在同一个组内,由于我们逆序背包容量,并且每个物品都尝试更新dp[j],所以对于同一个组内的多个物品,我们不会重复选(因为dp[j-weight]使用的是上一组或当前组尚未被本组的其他物品更新过的状态,但实际上,在同一个组内,我们更新dp[j]时,dp[j-weight]可能是已经被本组物品更新过的吗?) 答案是:不会。因为我们是逆序遍历背包容量,并且对于同一个组,我们是在同一个外层组循环内进行更新的。当我们更新dp[j]时,我们使用的是dp[j-weight],而j-weight小于j,由于j是逆序,所以j-weight还没有被当前组的物品更新过(因为当前组的物品的更新是从大到小,所以j-weight的位置还没有被当前组的物品更新过,它保存的是上一组之后的状态),所以这样更新是正确的。 但是,注意:我们是在同一个组内,对于同一个dp[j],我们尝试了多个物品,这样更新会不会覆盖?实际上,我们是在同一个组内,对于每个容量j,我们要选择该组中一个物品(或不选)使得dp[j]最大。所以我们需要遍历该组的所有物品,然后取dp[j]和dp[j-weight]+value的最大值。这样,对于每个j,我们都会尝试该组所有物品,从而得到该组中放入一个物品的最大值。 因此,代码实现如下: 注意:由于物品数量n最大1000,组数k最大100,背包容量m最大1000,所以三层循环最大100*1000*1000=10^7,这是可以接受的(在Python中可能稍慢,但应该可以过,因为1000*1000=1e6,而每组平均10个物品,所以实际循环次数为100(组数)*1000(背包容量)*10(每组平均物品数)=10^6,所以没问题)。 但是,如果每组物品很多,那么最坏情况每组1000个物品(组数最小为1,那么就是1组1000个物品,循环次数1000*1000=1e6,也是可以接受的)。 所以,我们按照上述思路写代码。 输入输出样例中,输出10,符合。 另外,注意:有可能组号不连续,但组数k<=100,所以用字典存储组即可。 代码实现: </think>### 分组背包问题解决方案 分组背包问题的核心思想是:**每组物品只能选择一个或不选**。我们需要将物品按组归类,然后对每组物品进行动态规划决策。 #### 算法思路: 1. **分组存储**:使用字典将同一组号的物品归类存储 2. **动态规划**:定义 `dp[j]` 表示背包容量为 `j` 时的最大价值 3. **三层循环**: - 外层:遍历所有分组 - 中层:背包容量从大到小逆序遍历(避免重复选择) - 内层:遍历当前分组中的每个物品,尝试更新状态 #### Python 代码实现: ```python from collections import defaultdict def main(): import sys input = sys.stdin.read data = input().split() m = int(data[0]) # 背包容量 n = int(data[1]) # 物品数量 index = 2 groups = defaultdict(list) # 读取物品数据并分组 for _ in range(n): a = int(data[index]) b = int(data[index+1]) c = int(data[index+2]) index += 3 groups[c].append((a, b)) # 初始化DP数组 dp = [0] * (m + 1) # 遍历所有分组 for group_id in groups: # 逆序遍历背包容量 for j in range(m, -1, -1): # 遍历当前分组内的每个物品 for weight, value in groups[group_id]: if j >= weight: # 更新状态:选择当前物品或不选 dp[j] = max(dp[j], dp[j - weight] + value) # 输出背包容量为m时的最大价值 print(dp[m]) if __name__ == "__main__": main() ``` #### 代码解释: 1. **数据读取与分组**: - 使用 `defaultdict(list)` 创建分组字典 - 每组存储物品的(重量, 价值)元组列表 2. **动态规划核心**: - `dp[j]` 表示背包容量为 `j` 时的最大价值 - 外层遍历分组:确保每组只选一个物品 - 中层逆序背包容量:防止同一物品被重复选择(类似01背包) - 内层遍历组内物品:尝试每个物品放入背包的可能性 3. **状态转移**: - `dp[j] = max(dp[j], dp[j-weight] + value)` - 决策:保持原状态 vs 放入当前物品(需满足重量约束) 4. **复杂度分析**: - 时间复杂度:$O(m \times \sum |group_i|)$(背包容量×物品总数) - 空间复杂度:$O(m)$(DP数组空间) #### 输入输出示例验证: 输入: ``` 45 3 10 10 1 10 5 1 50 400 2 ``` 处理过程: - 组1:物品(10,10)和(10,5) - 组2:物品(50,400)(超重无法放入) - 最终 `dp[45] = 10`(选择组1的第一个物品) 输出:`10` #### 优化说明: 1. **逆序遍历背包容量**:确保每组物品只被选择一次 2. **分组存储**:避免无效遍历,提高效率 3. **滚动数组**:使用一维DP数组减少空间复杂度
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