01背包问题(空间优化)经典代码

题目


有N件物品和一个容量为V的背包。第i件物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使价值总和最大。

基本思路

这是最基础的背包问题,特点是:每种物品仅有一件,可以选择放或不放。

用子问题定义状态:即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。则其状态转移方程便是:

f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}

这个方程非常重要,基本上所有跟背包相关的问题的方程都是由它衍生出来的。所以有必要将它详细解释一下:“将前i件物品放入容量为v的背包中”这个子问题,若只考虑第i件物品的策略(放或不放),那么就可以转化为一个只牵扯前i-1件物品的问题。如果不放第i件物品,那么问题就转化为“前i-1件物品放入容量为v的背包中”,价值为f[i-1][v];如果放第i件物品,那么问题就转化为“前i-1件物品放入剩下的容量为v-c[i]的背包中”,此时能获得的最大价值就是f[i-1][v-c[i]]再加上通过放入第i件物品获得的价值w[i]。

优化空间复杂度

以上方法的时间和空间复杂度均为O(VN),其中时间复杂度应该已经不能再优化了,但空间复杂度却可以优化到O(V)。

先考虑上面讲的基本思路如何实现,肯定是有一个主循环i=1..N,每次算出来二维数组f[i][0..V]的所有值。那么,如果只用一个数组f[0..V],能不能保证第i次循环结束后f[v]中表示的就是我们定义的状态f[i][v]呢?f[i][v]是由f[i-1][v]和f[i-1][v-c[i]]两个子问题递推而来,能否保证在推f[i][v]时(也即在第i次主循环中推f[v]时)能够得到f[i-1][v]和f[i-1][v-c[i]]的值呢?事实上,这要求在每次主循环中我们以v=V..0的顺序推f[v],这样才能保证推f[v]时f[v-c[i]]保存的是状态f[i-1][v-c[i]]的值。伪代码如下:

for i=1..N   for v=V..0      f[v]=max{f[v],f[v-c[i]]+w[i]};

其中的f[v]=max{f[v],f[v-c[i]]}一句恰就相当于我们的转移方程f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]},因为现在的f[v-c[i]]就相当于原来的f[i-1][v-c[i]]。如果将v的循环顺序从上面的逆序改成顺序的话,那么则成了f[i][v]由f[i][v-c[i]]推知,与本题意不符,但它却是另一个重要的背包问题P02最简捷的解决方案,故学习只用一维数组解01背包问题是十分必要的。

事实上,使用一维数组解01背包的程序在后面会被多次用到,所以这里抽象出一个处理一件01背包中的物品过程,以后的代码中直接调用不加说明。

过程ZeroOnePack,表示处理一件01背包中的物品,两个参数cost、weight分别表明这件物品的费用和价值。

procedure ZeroOnePack(cost,weight)   for v=V..cost      f[v]=max{f[v],f[v-cost]+weight}

注意这个过程里的处理与前面给出的伪代码有所不同。前面的示例程序写成v=V..0是为了在程序中体现每个状态都按照方程求解了,避免不必要的思维复杂度。而这里既然已经抽象成看作黑箱的过程了,就可以加入优化。费用为cost的物品不会影响状态f[0..cost-1],这是显然的。

有了这个过程以后,01背包问题的伪代码就可以这样写:

for i=1..N   ZeroOnePack(c[i],w[i]);

初始化的细节问题

我们看到的求最优解的背包问题题目中,事实上有两种不太相同的问法。有的题目要求“恰好装满背包”时的最优解,有的题目则并没有要求必须把背包装满。一种区别这两种问法的实现方法是在初始化的时候有所不同。

如果是第一种问法,要求恰好装满背包,那么在初始化时除了f[0]为0其它f[1..V]均设为-∞,这样就可以保证最终得到的f[N]是一种恰好装满背包的最优解。

如果并没有要求必须把背包装满,而是只希望价格尽量大,初始化时应该将f[0..V]全部设为0。

为什么呢?可以这样理解:初始化的f数组事实上就是在没有任何物品可以放入背包时的合法状态。如果要求背包恰好装满,那么此时只有容量为0的背包可能被价值为0的nothing“恰好装满”,其它容量的背包均没有合法的解,属于未定义的状态,它们的值就都应该是-∞了。如果背包并非必须被装满,那么任何容量的背包都有一个合法解“什么都不装”,这个解的价值为0,所以初始时状态的值也就全部为0了。

这个小技巧完全可以推广到其它类型的背包问题,后面也就不再对进行状态转移之前的初始化进行讲解。

一个常数优化

前面的伪代码中有 for v=V..1,可以将这个循环的下限进行改进。

由于只需要最后f[v]的值,倒推前一个物品,其实只要知道f[v-w[n]]即可。以此类推,对以第j个背包,其实只需要知道到f[v-sum{w[j..n]}]即可,即代码中的

for i=1..N   for v=V..0

可以改成

for i=1..n   bound=max{V-sum{w[i..n]},c[i]}   for v=V..bound

这对于V比较大时是有用的。

小结

01背包问题是最基本的背包问题,它包含了背包问题中设计状态、方程的最基本思想,另外,别的类型的背包问题往往也可以转换成01背包问题求解。故一定要仔细体会上面基本思路的得出方法,状态转移方程的意义,以及最后怎样优化的空间复杂度。

  1 #include<stdio.h>
2 #include<string.h>
3 #define MINUSINF 0x80000000
4 #define MAXN 100
5 #define MAXV 1000
6 int max(int a,int b)
7 {
8 return a>b?a:b;
9 }
10 //n件物品和一个容量为v的背包。第i件物品的费用是c[i],价值是w[i],装满与否要求为full
11 //算法1:经典DP二维数组解法,时间复杂度及空间复杂度均为O(nv)
12 int ZeroOnePack1(int n,int v,int c[],int w[],int full)
13 {
14 int i,j;
15 int f[MAXN][MAXV];
16 if(full)
17 {
18 for(i=0;i<=n;i++)
19 for(j=0;j<=v;j++)
20 f[i][j]=MINUSINF;
21 f[0][0]=0;
22 }
23 else memset(f,0,sizeof(f));
24 for(i=1;i<=n;i++)
25 {
26 for(j=0;j<=v;j++)
27 {
28 if(j>=c[i])
29 f[i][j]=max(f[i-1][j],f[i-1][j-c[i]]+w[i]);
30 else f[i][j]=f[i-1][j];
31 }
32 }
33 if(f[n][v]<0) return -1;
34 else return f[n][v];
35 }
36 //算法2:算法1的一维数组解法,时间复杂度为O(nv),空间复杂度为O(v)
37 int ZeroOnePack2(int n,int v,int c[],int w[],int full)
38 {
39 int i,j;
40 int f[MAXV];
41 if(full)
42 {
43 f[0]=0;
44 for(i=1;i<=v;i++)
45 f[i]=MINUSINF;
46 }
47 else memset(f,0,sizeof(f));
48 for(i=1;i<=n;i++)
49 {
50 for(j=v;j>=0;j--)
51 {
52 if(j>=c[i])
53 f[j]=max(f[j],f[j-c[i]]+w[i]);
54 }
55 }
56 if(f[v]<0) return -1;
57 else return f[v];
58 }
59 //算法3:算法2的优化,去掉了无必要的判断,时间复杂度为O(nv),空间复杂度为O(v)
60 int ZeroOnePack3(int n,int v,int c[],int w[],int full)
61 {
62 int i,j;
63 int f[MAXV];
64 if(full)
65 {
66 f[0]=0;
67 for(i=1;i<=v;i++)
68 f[i]=MINUSINF;
69 }
70 else memset(f,0,sizeof(f));
71 for(i=1;i<=n;i++)
72 {
73 for(j=v;j>=c[i];j--)
74 {
75 f[j]=max(f[j],f[j-c[i]]+w[i]);
76 }
77 }
78 if(f[v]<0) return -1;
79 else return f[v];
80 }
81 //算法4:算法3的常数优化,在v较大时优势明显,时间复杂度为O(nv),空间复杂度为O(v)
82 int ZeroOnePack4(int n,int v,int c[],int w[],int full)
83 {
84 int i,j,sum=0,bound;
85 int f[MAXV];
86 if(full)
87 {
88 f[0]=0;
89 for(i=1;i<=v;i++)
90 f[i]=MINUSINF;
91 }
92 else memset(f,0,sizeof(f));
93 for(i=1;i<=n;i++) sum+=w[i];
94 for(i=1;i<=n;i++)
95 {
96 if(i>1) sum-=w[i-1];
97 bound=max(v-sum,c[i]);
98 for(j=v;j>=bound;j--)
99 {
100 f[j]=max(f[j],f[j-c[i]]+w[i]);
101 }
102 }
103 if(f[v]<0) return -1;
104 else return f[v];
105 }
106 int main()
107 {
108 int i,j;
109 int n,v,c[MAXN],w[MAXN];
110 while(scanf("%d %d",&n,&v)!=EOF)
111 {
112 for(i=1;i<=n;i++) scanf("%d %d",&c[i],&w[i]);
113 printf("%d\n",ZeroOnePack1(n,v,c,w,0));
114 }
115 return 0;
116 }

时间: 2024-09-29 17:42:47

01背包问题(空间优化)经典代码的相关文章

关于01背包问题的优化

一.01背包问题介绍 背包问题是经典的动态规划问题之一: 常见的01背包问题就是说有一堆物品,现在要装入一个容器中,这些物品的重量和价值各不一致,而容器的重量又是有限的,没种物品只能装1个或者不装(0个),求当重量限定为w时,这些物品能装进去组合成的最高价值是多少? 分析:我们首先将物品排成一排(随机),依次标记为1号,2号....然后从一号开始依次往里放,放的时候判断当前物品是不是应该放进去: 如果当前物品放进去之后的最高总价值 比 不放进去的最高总价值 大 ,那么就是要放入,然后总价值取放入

[技巧篇]01.Servlet的优化模版代码

Servlet.java的模版 #---------------------------------------------# # <aw:description>Template for Servlet</aw:description> # <aw:version>1.1</aw:version> # <aw:date>04/05/2003</aw:date> # <aw:author>Ferret Renaud<

6、0-1背包问题优化

0-1背包问题优化 关于0-1背包问题的优化,其实一开始也觉得分配的内存确实太多了,对于物品数为N,背包容量为W的背包问题 则我们每次需要分配的内存是N*W,这确实不太好. 于是我们是否可以使用一个一维数组来代替前面算法的二维数组问题呢? 这好像是可以的,因为我们的想法是自底向上,其实对于W*N的二维数组,对于数组select[i][w]所代表的意思是 在背包容量为w,可以选的物品为前i个时它所能达到的最大价值,我们可以看到所记录的前面i个背包所能达到最 大的价值是浪费,我们所关心的只是在N个物

01背包问题,经典收藏,

01背包问题描述 已知:有一个容量为V的背包和N件物品,第i件物品的重量是weight[i],收益是cost[i]. 限制:每种物品只有一件,可以选择放或者不放 问题:在不超过背包容量的情况下,最多能获得多少价值或收益 相似问题:在恰好装满背包的情况下,最多能获得多少价值或收益 这里,我们先讨论在不超过背包容量的情况下,最多能获得多少价值或收益. 基本思路 01背包的特点:每种物品只有一件,可以选择放或者不放 子问题定义状态 [cpp] view plaincopyprint? f[i][v] 

动态规划之01背包问题(含代码C)

1.动态规划的基本思想 动态规划算法通常用于求解具有某种最优性质的问题.其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解.与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的.若用分治法来解这类问题,则分解得到的子问题数目太多,有些子问题被重复计算了很多次.如果我们能够保存已解决的子问题的答案,而在需要时再找出已求得的答案,这样就可以避免大量的重复计算,节省时间.我们可以用一个表来记录所有已解的子问题的答案.不管该子问题以

优化算法系列-模拟退火算法(1)——0-1背包问题

优化算法系列之模拟退火算法(1)--0-1背包问题 1问题描述 有一个窃贼在偷窃一家商店时发现有N件商品:第i件物品价值vi元,重wi磅,其中vi.wi都是整数.他希望带走的东西越值钱越好,但他的背包小,最多只能装下W磅的东西(W为整数).如果每件物品或被带走或被留下,小偷应该带走哪几件东西? 2解空间 设xi表示第i件物品的取舍,1代表取,0代表舍,搜索空间为n元一维数组(x1,x2,x3,.....,xn).因而解空间的取值范围可表示为(0,0,0,....,0),(0,0,0,......

动态规划 - 0-1背包问题的算法优化

简单描述 0-1背包问题描述如下: 有一个容量为V的背包,和一些物品.这些物品分别有两个属性,体积w和价值v,每种物品只有一个.要求用这个背包装下价值尽可能多的物品,求该最大价值,背包可以不被装满.因为最优解中,每个物品都有两种可能的情况,即在背包中或者不存在(背 包中有0个该物品或者 1个),所以我们把这个问题称为0-1背包问题. 0-1背包问题状态转移方程 用dp[i][j]表示前i个物品在总体积不超过j的情况下,放到背包里的最大价值.由此可以推出状态转移方程: dp[0][j] = 0;

01 背包基础 - 空间优化 (滚动数组,一维阵列)

2017-09-03 11:39:16 writer:pprp 以很简单的一个动态规划问题为引入: 从左上角到右下角走过的路径和最大,问你最大为多少? 1.可以想到普通的dp 状态转移为: dp[i][j] = max(dp[i-1][j],dp[i][j-1]) + arr[i][j]; 2.采用滚动数组的方式-节约了不必要的空间 状态转移为:dp2[i%2][j] = max(dp2[(i+1)%2][j],dp2[i%2][j-1]) + arr[i][j]; 3.采用一维阵列的方式更加节

01背包问题模板代码

01背包问题 Pleiades_Antares 打个模板,基本上01背包都这个样子了- 从百度上摘来两张图,简单可以说明01背包了应该 这是我找的第一张 这是我找的第二张 01背包是DP的内容,DP刚开始学一般都是记忆化搜索嘛,那就是优化过的搜索问题 不知道这么说各位能不能理解"记忆化搜索"这个名字qwq 如果需要的更详细的解释的话麻烦评论下/站内信,我把具体的内容再发出来 (quq我都有课件阔是我懒得再搬运PPT了qwq需要的话再发出来咯) 代码放出来: //01背包 #includ