动态规划实例(五):0-1背包问题(整包背包)

本文详细解析了01背包问题的动态规划算法,通过实例演示如何寻找最优解,并提供了Java实现代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

    问题:有编号分别为a,b,c,d,e的五件物品,它们的重量分别是2,2,6,5,4,它们的价值分别是6,3,5,4,6,现在给你个承重为10的背包,如何让背包里装入的物品具有最大的价值总和?
 重新定义问题:
     有承重分别为1-10的背包10个 编号分别为a,b,c,d,e的物品各一个 name weight value a 2 6 b 2 3 c 6 5 d 54 e 4 6 3. 从e物品开始依次放入1-10个背包,分别得到最大的价值总和 4.   把d物品放入依次放入存在e物品的1-10个背包,如果价值更高,替换掉e() 5. c,b,a同理。。。name weight value 1 2 3 4 5 6 7 8 9 10 a 2 6 0 6 6 9 9 12 12 15 15 15 b 2 3 0
 * 3 3 6 6 9 9 9 10 11 c 6 5 0 0 0 6 6 6 6 6 10 11 d 5 4 0 0 0 6 6 6 6 6 10 10 e
 * 4 6 0 0 0 6 6 6 6 6 6 6
    只要你能通过找规律手工填写出上面这张表就算理解了01背包的动态规划算法。 首先要明确这张表是至底向上,从左到右生成的。

    为了叙述方便,用e2单元格表示e行2列的单元格,这个单元格的意义是用来表示只有物品e时,有个承重为2的背包。那么这个背包的最大价值是0,因为e物品的重量是4,背包装不了。对于d2单元格,表示只有物品e,d时,承重为2的背包,所能装入的最大价值,仍然是0,因为物品e,d都不是这个背包能装的。同理,c2=0,b2=3,a2=6。 对于承重为8的背包,a8=15,是怎么得出的呢? 根据01背包的状态转换方程,需要考察两个值,

    一个是f[i-1,j],对于这个例子来说就是b8的值9,另一个是f[i-1,j-Wi]+Pi;
 在这里,
     f[i-1,j]表示有一个承重为8的背包,当只有物品b,c,d,e四件可选时,这个背包能装入的最大价值
    f[i-1,j-Wi]表示我有一个承重为6的背包(等于当前背包承重减去物品a的重量),当只有物品b,c,d,e四件 可选时,这个背包能装入的最大价值
    f[i-1,j-Wi]就是指单元格b6,值为9,Pi指的是a物品的价值,即6 由于f[i-1,j-Wi]+Pi = 9 + 6 = 15
    大于f[i-1,j] = 9,所以物品a应该放入承重为8的背包
思路: 1. 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]: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。 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 ? 2. 以a8(行为a,列为的8的单元格)举例 f[i,j] = a8 = 15 f[i-1,j] = b8 = 9
    f[i-1,j-Wi] 表示我有一个承重为6的背包(等于当前背包承重减去物品a的重量),当只有物品b,c,d,e四件可 选时,这个背包能装入的最大价值

    f[i-1,j-Wi] +Pi =b(8 - 2) + 6 = b6 + 6 = 15

具体实例及实现代码如下所示:

/**
 * @Title: KnapSack.java
 * @Package dynamicprogramming
 * @Description: TODO
 * @author peidong
 * @date 2017-6-8 上午9:24:02 
 * @version V1.0
 */
package dynamicprogramming;

import java.io.ObjectInputStream.GetField;
import java.util.Arrays;

/**
 * @ClassName: KnapSack
 * @Description: 01背包问题
 * @date 2017-6-8 上午9:24:02
 *
 */
public class KnapSack {

    /**
     *
     * @ClassName: Package
     * @Description: 构建背包类
     * @date 2017-6-8 上午9:30:02
     *
     */
    public static class Package {

        private String name;

        private int weight;

        private int value;

        public Package(String name, int weight, int value) {
            this.name = name;
            this.weight = weight;
            this.value = value;
        }

        public String getName() {
            return name;
        }

        public int getWeight() {
            return weight;
        }

        public int getValue() {
            return value;
        }
    }

    public static int getPackage() {

        Package[] pg = { new Package("e", 4, 6), new Package("d", 5, 4),
                new Package("c", 6, 5), new Package("b", 2, 3),
                new Package("a", 2, 6) };
        // 第一个参数表示从pg[0]开始依次放入的物品,
        // 第二个参数代表背包的承重,放弃第0列数组
        int[][] state = new int[pg.length][11];
        int newValue = 0;

        /**
         * 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] }
         */
        for (int i = 0; i < pg.length; i++) {
            // 背包的承重量
            for (int j = 1; j < state[i].length; j++) {
                if (i == 0) {
                    if (pg[i].getWeight() <= j) {
                        state[i][j] = pg[i].getValue();
                    }
                } else {
                    state[i][j] = state[i - 1][j];
                    if (j < pg[i].getWeight()) {
                        continue;
                    }
                    newValue = state[i - 1][j - pg[i].getWeight()]
                            + pg[i].getValue();
               /*
                * if (newValue >= state[i - 1][j]) { state[i][j] =
                * newValue; }else{ state[i][j] = state[i - 1][j]; }
                */
                    state[i][j] = Math.max(newValue, state[i - 1][j]);
                }
            }
        }
        for (int i = 0; i < state.length; i++) {
            System.out.println(Arrays.toString(state[state.length - 1 - i]));
        }

        return state[4][10];
    }

    /**
     * @Title: main
     * @Description: TODO
     * @param args
     * @return void
     * @throws
     */
    public static void main(String[] args) {
        // TODO Auto-generated method stub

        int res = getPackage();
        System.out.println("最大价值为:" + res);
    }

}


### 动态规划的常见分类总结 动态规划作为一种重要的算法设计方法,其应用场景非常广泛。根据问题的特点和解决思路的不同,动态规划可以分为多种类别。以下是常见的动态规划分类及其特点描述: #### 1. **线性 DP** 线性 DP 是最基础的一类动态规划问题,适用于处理一维数组或序列上的优化问题。这类问题通常涉及从前向后的状态转移过程。 - 经典题目:最长上升子序列(LIS)、最大字段和模型等。 - 特点:状态通常是基于单个变量定义的,例如 `f[i]` 表示以第 `i` 个元素结尾的最大值[^2]。 #### 2. **区间 DP** 当问题涉及到一段连续区间的最优解时,可考虑使用区间 DP。它的核心在于枚举所有可能的分割点,并从中选取最优方案。 - 经典题目:石子合并、括号序列模型等。 - 特点:状态一般表示为 `f[l][r]`,代表从位置 `l` 到位置 `r` 的某个属性值[^2]。 #### 3. **树形 DP** 对于树结构上的动态规划问题,称为树形 DP。该类问题需要遍历棵树,并在节点之间传递信息完成计算。 - 经典题目:最小支配集、最大独立集等。 - 特点:状态往往依赖于父节点与子节点的关系,递归形式较为普遍[^2]。 #### 4. **状态压缩 DP** 当状态数量有限且可以用二进制编码表达时,适用状态压缩 DP 方法。这种方式能够有效减少内存消耗并提高运行速度。 - 经典题目:旅行商问题(TSP)、棋盘覆盖等。 - 特点:利用位运算技术对集合进行紧凑表示,如用一个数记录哪些元素被选中。 #### 5. **背包问题** 这是另一大类典型的动态规划问题,主要研究资源分配下的最大化收益情形。依据物品是否允许拆分又细分为若干种变体。 - 常见类型: - 完全背包 - 多重背包 - 分组背包 - 混合背包 - 特点:每件商品都有重量和价值两个维度参数约束着决策过程[^2]。 --- ### 空间优化技巧 值得注意的是,在具体实现过程中还可以采取措施降低空间复杂度。比如针对只与前后少数几个阶段相关的场景,可以把原本高维的状态数组替换为低维甚至固定大小缓冲区的形式来维护必要数据[^3]。 ```python # 示例代码展示如何将O(n)空间降至O(1) def max_subarray_sum(nums): if not nums: return 0 pre = cur = nums[0] result = cur for num in nums[1:]: cur = max(num, pre + num) result = max(result, cur) pre = cur return result ``` 以上就是关于动态规划的一些基本分类介绍及相关实例解析[^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