- 0-1背包问题与分数背包问题
- 问题描述
- 问题分析之分数背包
- 代码设计之分数背包问题
- 问题分析之0-1背包问题
- 代码设计之0-1背包问题
- 动态规划算法之间的差别
0-1背包问题与分数背包问题
我们在文章《贪心算法原理》:http://blog.csdn.net/ii1245712564/article/details/45369491中提到过动态规划和贪心算法的区别。以及两个经典的例子:0-1背包问题和分数背包问题,我么知道0-1背包问题是不能够使用贪心算法求解的,而贪心算法则是分数背包问题的不二之选。
这次我们来着重实现一下0-1背包问题的动态规划解法以及分数背包问题的贪心算法。
问题描述
- 0-1背包问题:我们有一堆物品S={a1,a2,...,an},每一个物品ai都有一个重量wi和一个价值vi.现在有一个背包,这个背包的容量为W,现在要将这些物品在不超出背包容量的情况下选择性的放入背包,使得背包里面物品的价值最大,物品不能只选取其中一部分,必须选择整个,或者不选!
- 分数背包问题:这个问题和上面的问题比较相似,唯一不同的就是该问题里面的物品可以进行分割,即可以只选取一个物品ai的一部分
这里我们采用例子:
我们有三个物品和一个容量为50的背包,这三个物品<重量,价值>分别为:a1<10,60>,a2<20,100>,a3<30,120>.
问题分析之分数背包
为简单期间,我们首先来分析一下分数背包问题。如果要设计一个贪心算法,那么首先要确定一个贪心策略,换句话说就是要怎么在当前的情况下做出一个合理的贪心选择。
我们首先得到每一个物品单位重量的价值vi/wi,那么我们要设计一个贪心策略来使得装入背包物品的价值最大。我们的第一直觉肯定是要选择单位重量价格最高的喽,然后再选择物品里面第二高的,一次类推直到装满背包为止!
下面我们来证明一下上面贪心选择的猜想:
证明:
我们首先假设我们有一个最优解A1,那么我们首先找到A1里面平均价值最高的物品am,让后我们将用商品里面平均价值最高的物品a1将am进行全部替换或者部分替换得到解A2,又因v1/w1≥vm/wm所以A2的总价值高于A1的总价值,这A1是最优解矛盾,于是得到A1里面包含平均价值最高的物品。
于是我们得到最优子结构Si=Sk+ak,ak是Si里面平均价值最高的,Sk是选择ak剩下来的物品。
代码设计之分数背包问题
依照我们上面描述的分数背包问题的最佳贪心策略,每次都选出平均价值最高的物品
/*************************************************
* @Filename: fractionPackage.cc
* @Author: qeesung
* @Email: [email protected]
* @DateTime: 2015-04-30 14:44:28
* @Version: 1.0
* @Description: 贪心策略,分数背包问题
**************************************************/
#include <iostream>
#include <utility>
#include <vector>
using namespace std;
#define PACKAGE_CAPACITY 50
/**
* 求得goodslist对应的最大价值,我们首先假设物品按照平均价值降序排序
* @param goodsList 商品列表
* @return 最大价值
*/
unsigned fractionPackage(std::vector<pair<unsigned , unsigned> > goodsList)
{
unsigned valueSum=0;
unsigned capacitySum=0;
for (int i = 0; i < goodsList.size(); ++i)
{
// 转完这次就退出
if(goodsList[i].second + capacitySum >= PACKAGE_CAPACITY)
{
valueSum+=(PACKAGE_CAPACITY - capacitySum)*(goodsList[i].first/goodsList[i].second);
return valueSum;
}
valueSum+=goodsList[i].first;
capacitySum+=goodsList[i].second;
}
return valueSum;
}
int main(int argc, char const *argv[])
{
std::vector<pair<unsigned , unsigned> > goodsList;
goodsList.push_back(pair<unsigned , unsigned>(60,10));
goodsList.push_back(pair<unsigned , unsigned>(100,20));
goodsList.push_back(pair<unsigned , unsigned>(120,30));
cout<<"max value is : "<<fractionPackage(goodsList)<<endl;
while(1);
return 0;
}
运行结果为:
max value is 240
我们这里首先选择平均价值最高的a1放入背包,然后放入a2,因为此时a3不能全部放入背包,于是我们放入a3的一部分进入到背包。这里也很好理解,那就是我们在物品总能装满背包的情况下,背包总是可以被装满的,我们如果要使总价值最高,那我们就应该提升平均的价值密度,那就把平均价值最高的依次放入背包!
问题分析之0-1背包问题
为什么我们不能用贪心算法来解决0-1背包问题呢,我们只需要举一个反例就可以了,我们还是按照之前的将平均价值最大的放入背包里面,放入a1,然后a2,a3已经不能再放入了,于是我们得到背包物品总价值为60+100=160,但是这个是最优解么?肯定不是,因为只放入a2和a3总价值就达到100+120=220,所以这里我们只能另辟蹊径。
每一个物品只有两种选择,那就是放入背包与不放入背包。所以我们要做的就是决定一个物品是放入还是不放入背包。
在求解动态规划问题中,我们首先要做的,就是找到最优子结构和递归表达式。于是我们假设f(i,W)为有i,i+1,i+2,...,nn?i+1个商品,背包容量为W的最优解。那么我们首先需决定的就是ai这个物品到底要不要放入到背包里面,决定这个标准是什么?
- 如果wi≤W,那么物品ai是可以放入背包的,如果我们放入背包,那么价值为f(i,W)=f(i+1,W?wi)+vi,要是不放入背包,那么f(i,W)=f(i+1,wi),我们选择值最大的那个!
- 如果wi>W,那么ai不能放入到背包里面,于是没有别的选择,f(i,W)=f(i+1,W)
从上面我们看到了我们一直想要的,最优子结构!
我们得到对应的递归表达式为:
f(i,W)={f(i+1,W)f(i+1,W?wi)+vi,wi>W,wi≤W
动态规划有了递归表达式啥都好说!
代码设计之0-1背包问题
有了上面的递归表达式,我们就可以开始敲代码啦!
我们这里采用两种动态规划的方法来求解,自上而下和自下而下,他们之间的细微差别我们在看完代码之后再指出
自上而下的动态规划算法
/*************************************************
* @Filename: zeroOnePackage.cc
* @Author: qeesung
* @Email: [email protected]
* @DateTime: 2015-04-30 10:49:31
* @Version: 1.0
* @Description: 典型的0-1背包问题,采用动态规划自上而下求解
**************************************************/
#include <iostream>
#include <utility>
#include <vector>
using namespace std;
/** 背包的容量 */
#define PACKAGE_CAPACITY 50
/** 最多有十个商品 */
#define MAX_GOODS_NUM 10
/** 用来保存商品没有没有选中过 */
bool packageChoose[MAX_GOODS_NUM];
/** 用来存储对应的最大价值 maxValue[i][w]表示后面i个商品装入w容量背包最大价值 */
unsigned maxValue[MAX_GOODS_NUM][PACKAGE_CAPACITY];
unsigned dealZeroOnePackage(unsigned pos , unsigned weight , std::vector<pair<unsigned , unsigned> > & goodsList);
/**
* 求得goodslist对应的最大价值
* @param goodsList 商品列表
* @return 最大价值
*/
unsigned zeroOnePackage(std::vector<pair<unsigned , unsigned> > goodsList)
{
for (int i = 0; i < MAX_GOODS_NUM; ++i)
{
packageChoose[i]=false;
}
dealZeroOnePackage(0,PACKAGE_CAPACITY,goodsList);
return maxValue[0][PACKAGE_CAPACITY];
}
/**
* 具体的递归求解
* @param pos 开始位置
* @param weight 剩余容量
* @param goodsList 商品列表
* @return 对应pos开始容量为weight的最大值
*/
unsigned dealZeroOnePackage(unsigned pos , unsigned weight , std::vector<pair<unsigned , unsigned> > & goodsList)
{
if(pos >= goodsList.size() || weight == 0)
return 0;
if(maxValue[pos][weight] != 0 )
return maxValue[pos][weight];
// 下面开始递归求解
unsigned temp1 = dealZeroOnePackage(pos+1,weight , goodsList);
if(weight >= goodsList[pos].second)
{
unsigned temp2 = dealZeroOnePackage(pos+1, weight - goodsList[pos].second, goodsList)+ goodsList[pos].first;
unsigned retValue = temp1>temp2?temp1:temp2;
/** 判断pos位置到底选不选 */
if(temp1 <= temp2)
{
packageChoose[pos]=true;
}
maxValue[pos][weight]= retValue;
return retValue;
}
else
{
maxValue[pos][weight]=temp1;
return temp1;
}
}
void printChoose()
{
for (unsigned i = 0; i < MAX_GOODS_NUM ; ++i)
{
if(packageChoose[i])
cout<<"a"<<i<<"\t";
}
cout<<endl;
}
int main(int argc, char const *argv[])
{
std::vector<pair<unsigned , unsigned> > goodsList;
goodsList.push_back(pair<unsigned , unsigned>(60,10));
goodsList.push_back(pair<unsigned , unsigned>(100,20));
goodsList.push_back(pair<unsigned , unsigned>(120,30));
cout<<"max value is : "<<zeroOnePackage(goodsList)<<endl;
printChoose();
while(1);
return 0;
}
运行以后我们得到结果:
max value is 220
a1 a2
自下而上的动态规划算法
/*************************************************
* @Filename: zeroOnePackage_v2.cc
* @Author: qeesung
* @Email: [email protected]
* @DateTime: 2015-04-30 14:43:56
* @Version: 1.0
* @Description: 自下而上的求解背包问题,动态规划
**************************************************/
#include <iostream>
#include <utility>
#include <vector>
using namespace std;
#define MAX(a , b) ((a)>(b)?(a):(b))
/** 背包的容量 */
#define PACKAGE_CAPACITY 50
/** 最多有十个商品 */
#define MAX_GOODS_NUM 10
/** 用来保存商品没有没有选中过 */
bool packageChoose[MAX_GOODS_NUM];
/** 用来存储对应的最大价值 maxValue[i][w]表示后面i个商品装入w容量背包最大价值 */
unsigned maxValue[MAX_GOODS_NUM][PACKAGE_CAPACITY+1];
/**
* 求得goodslist对应的最大价值
* @param goodsList 商品列表
* @return 最大价值
*/
unsigned zeroOnePackage(std::vector<pair<unsigned , unsigned> > goodsList)
{
for (int i = 0; i < MAX_GOODS_NUM; ++i)
{
packageChoose[i]=false;
}
for(int k = goodsList[goodsList.size()-1].second; k <= PACKAGE_CAPACITY ; ++k)
{
maxValue[goodsList.size()-1][k] = goodsList[goodsList.size()-1].first;
}
/** 自下而上 */
for (int i = goodsList.size()-2; i >=0 ; --i)
{
/** 就是讲所有的i对应的所有对应容量求出来 , 这样做太浪费了*/
for(int k = goodsList[i].second; k <= PACKAGE_CAPACITY ; ++k)
{
maxValue[i][k] = MAX(maxValue[i+1][k] , maxValue[i+1][k - goodsList[i].second]+goodsList[i].first);
}
}
return maxValue[0][PACKAGE_CAPACITY];
}
void printChoose(unsigned pos , unsigned weight , std::vector<pair<unsigned , unsigned> > goodsList)
{
if(pos >= goodsList.size())
return;
if(maxValue[pos][weight] == maxValue[pos+1][weight - goodsList[pos].second]+goodsList[pos].first)
{
cout<<"a"<<pos<<"\t";
printChoose(pos+1 , weight - goodsList[pos].second , goodsList);
}
else
{
printChoose(pos+1 , weight , goodsList);
}
}
int main(int argc, char const *argv[])
{
std::vector<pair<unsigned , unsigned> > goodsList;
goodsList.push_back(pair<unsigned , unsigned>(60,10));
goodsList.push_back(pair<unsigned , unsigned>(100,20));
goodsList.push_back(pair<unsigned , unsigned>(120,30));
cout<<"max value is : "<<zeroOnePackage(goodsList)<<endl;
printChoose(0 , PACKAGE_CAPACITY , goodsList);
while(1);
return 0;
}
运行以后我们得到结果:
max value is 220
a1 a2
动态规划算法之间的差别
上面两个算法都是动态规划算法,但是两者之间存在细微的差别。
在自上而下的算法中:我们观察到
unsigned temp1 = dealZeroOnePackage(pos+1,weight , goodsList);
unsigned temp2 = dealZeroOnePackage(pos+1, weight - goodsList[pos].second, goodsList)+goodsList[pos].first;
上面的代码是对问题的递归求解,对应的f(i,W)在求解以后就放入到
maxValue[pos][weight]= retValue;
每一步都只求解对应
maxValue
的pos,weight
位置,并不求解maxValue
这个二维数组的其他位置
而在自下而上的算法中:我们观察到
有这样一个循环式子:
for (int i = goodsList.size()-2; i >=0 ; --i) { /** 就是讲所有的i对应的所有对应容量求出来 , 这样做太浪费了*/ for(int k = goodsList[i].second; k <= PACKAGE_CAPACITY ; ++k) { maxValue[i][k] = MAX(maxValue[i+1][k] , maxValue[i+1][k - goodsList[i].second]+goodsList[i].first); } }
在这个循环式子例子都做了写什么呢?
那就是将
i
对应的这一行差不多所有的maxVlaue
数组位置的值都求解出来了,但是我们用到的只有两个。这样做是因为如果要求f(i,W),那么就首先要知道f(i+1,W)和f(i+1,W?wi),但是这里面的W和W?wi是不确定的,我们只有将数组maxValue
的i+1这一行的所有值求出来,上层节点才能随意调用。
所及自上而下的算法缺点在于太多次的递归调用,优点就是不用求出所有的全部情况,自下而上的算法缺点在于需要求出所有的情况,优点在于采用迭代而不是递归调用!但是就对于0-1背包问题来说,个人觉得还是自上而下的求法比较适合,因为这里的maxValue
数组是由物品个数和背包容量决定的,如果背包容量升级到500,那我每一行岂不是要算五百个数据?,而递归的话只用算出自己需要的数据即可!