背包问题
Posted 萌萌滴太阳
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了背包问题相关的知识,希望对你有一定的参考价值。
0-1背包问题
一件物品,只有选和不选两种情况,也就是每件物体,最多选一次;
优化空间。
if(v[i] <= j)
dp[i][j] = Math.max(dp[i-1][j] , dp[i-1][j - v[i]])
由上图的和动态方程得:第i行的dp[j]由上一行(第i-1行)的dp[j]
和上一行(第i-1行)的dp[j]之前的dp[0,...,j-1]之间的一个
共同确定;
即第i行由第i-1行唯一确定【因为第i个物品,要么不选,要么就选一个,不管什么情况,都从前i-1个物体的状态转移过来】
,所以可以用滚动数组优化空间;dp[j] = Math.max(dp[j] , dp[j - v[i]])
;
但第i行的dp[j]需要用到上一行(第i-1行)的dp[j]之前的dp[0,...,j-1]之间的一个
来帮助确定,若从左向右计算;会把第i-1行的dp[j]转换成第i行的dp[j],但后面的dp[j]计算需要用到前面第i-1行的dp[j],可是此时前面第i-1行的dp[j]已变成前面第i行的dp[j],所以出错;解决办法,从右向前计算即可
;
完全背包问题
每件物体被选的次数不受限制;
0-1背包的扩展,所以从右向左计算
- 优化空间
动态方程
if(k*v[i] <= j)
dp[i][j] = Math.max(dp[i-1][j] , dp[i][j - k*v[i]] + k*w[i])
如果不选第i个物品,dp[i][j] = dp[i-1][j];
如果 选第i个物品,dp[i][j] = dp[i][j - k*v[i]] + k*w[i];之所以还是dp[i],即从前i个物品里选,是因为每个物品可以选无限次,选了第i个,第i个还可以再选;
优化后的动态方程:dp[j] = Math.max(dp[j] , dp[j - v[i]] + w[i])
- 证明一:为什么从左向右计算,会把第i-1行的dp[j]转换成第i行的dp[j]
由下图的和动态方程得:第i行的dp[j]由上一行(第i-1行)的dp[j]
和本行(第i行)的dp[j]之前的dp[0,...,j-1]之间的一个
共同确定;
即第i行由第i-1和第i行
确定【因为每个物品可以选无限次,选了第i个,第i个还可以再选;所以在选了第i个物体的前提下,dp[i][j]还是由前i个物体决定;另外不选第i个物体的情况不变,dp[i][j]还是由前i-1个物体决定】
,
即,完全背包中,第i行的dp[j]需要用到本行(第i行)的dp[j]之前的dp[0,...,j-1]之间的一个
来帮助确定,由0-1背包问题得
,若从左向右计算;会把第i-1行的dp[j]转换成第i行的dp[j](即,dp[j - v[i]]包含第i物体的结果),正好是我们需要的,所以完全背包的空间优化是从左向右计算;
- 证明二:为什么从左向右计算,
dp[j] = Math.max(dp[j] , dp[j - v[i]] + w[i])
可表示dp[i][j] = Math.max(dp[i-1][j] , dp[i][j - k*v[i]])
中k的枚举
这部分参考
假设遍历到第i个物体,那我们求解的就是dp[i][0],dp[i][1],…,dp[i][V]
假设现在要求的j可以分解为x + kvi, 那dp[i][j] = dp[i][x + kvi];
正常来说
1. k是能选vi的最大个数,即满足k*vi<=j的K的最大值
2. dp[i-1][x+kvi]表示不选第i的物体
3. dp[i-1][x+(k-1)vi]表示选1个第i的物体
...
4. dp[i-1][x] = dp[i-1][x +(k-k)vi]表示选k个第i的物体
dp[i][j] = dp[i][x + kvi] = max(dp[i-1][x+kvi],dp[i-1][x+(k-1)vi] + wi,.., dp[i-1][x] + kwi)
那么同理
dp[i][x + (k-1)vi] = max(dp[i-1][x+(k-1)vi],.., dp[i-1][x] + (k-1)wi)
又
dp[i][x + kvi] = max(dp[i-1][x+kvi],max(dp[i-1][x+(k-1)vi] + wi,.., dp[i-1][x] + k*wi))
max(dp[i-1][x+(k-1)vi] + wi,.., dp[i-1][x] + kwi) = dp[i][x + (k-1)*vi] + wi
所以 推出
dp[i][x + k * vi] = max(dp[i-1][x + kvi],wi + dp[i][x + (k-1)vi])
所以
dp[i][j] = max(dp[i-1][j], wi + dp[i][j-vi])
把i去掉
dp[j] = max(dp[j],dp[j-vi] + wi)
所以必须从左往又遍历,因为 要求数组index >= 0, j - vi >= 0 -> j >= vi,
j从vi开始遍历
多重背包问题
每件物体被选的次数有限制,且不同;
多重背包问题1
- 解析
问题:3个循环,时间复杂度O(n^3),复杂度太高;
多重背包问题2-----优化时间复杂度;
多重背包问题2
题目和多重背包问题1
一样,只不过数据范围更大了,需要优化时间复杂度;
优化时间复杂度基本思想:
转换为0-1背包问题
;因为每个物品是有限个的,所以可以把每个物体拆开(比如物体k,体积vk,价值wk,有s个,则在原数组中将vk,wk重复s次),放进原数组里,这样每个物体就只能选一次,变成0-1背包问题;但这样拆太低级,时间复杂度还是较高;我们可以用
二进制的方法
拆分,拆成log2(s)份;把循环S的时间复杂度从O(S)降到O(og2(s)),比如S=1024,log2(s)=10,则时间复杂度从1024降到10;
二进制的方法
拆分:
比如7:log2(7)向上取整为3, 幂增长列举3个,1 2 4,它们组合可以得到1~7之间的所有数;
但比如10,log2(10)向上取整为4,幂增长列举4个,1 2 4,8 ,它们组合可以得到1~15之间的所有数;
但10~15中间的数我们不需要;所以我们一个一个的 幂增长, 幂增长一个就用S减去一个,直到S变为负的,将剩下的留下,比如S=10,S-1-2-4=3
,再间8= -5,所以剩下的的是3,所以可以用1,2,4,3
组合得到1~10中的任意数;
组合背包问题
组合背包问题是0-1背包、完全背包的扩展,它涉及求组合数或排列数,涉及内外循环的顺序
- 纯完全背包求得是能否凑成总和,和凑成总和的元素有没有顺序没关系,即:有顺序也行,没有顺序也行!
- 若要求凑成总和的组合数,即,元素之间要求没有顺序。
外层for循环遍历物品,内层for遍历背包容量。
for (int i = 0; i < coins.size(); i++) // 遍历物品
for (int j = coins[i]; j <= amount; j++) // 遍历背包容量
dp[j] += dp[j - coins[i]];
假设:coins[0] = 1,coins[1] = 5。
那么就是先把1加入计算,然后再把5加入计算,得到的方法数量只有1, 5这种情况。而不会出现5, 1的情况。
所以这种遍历顺序中dp[j]里计算的是组合数!
- 若要求凑成总和的排列数,即,元素之间要求有顺序。
外层for遍历背包容量,内层for循环遍历物品
;
for (int j = 0; j <= amount; j++) // 遍历背包容量
for (int i = 0; i < coins.size(); i++) // 遍历物品
if (j - coins[i] >= 0) dp[j] += dp[j - coins[i]];
背包容量的每一个值,都是经过 1 和 5 的计算,包含了1, 5 和 5, 1两种情况。
此时dp[j]里算出来的就是排列数!
组合
排列
dp数组初始化问题
一般情况下:
-
求数量
dp[j] += dp[j - coins[i]];
dp[0]一定要为1,dp[0] = 1是 递归公式的基础。【至于dp[0] = 1 有没有意义呢?也不去强行解释它的意义,仅仅是为了推导递推公式。若要解释:dp[0]:凑成总金额0的货币组合数为1。】
下标非0的dp[j]默认初始化为0,这样累计加dp[j - coins[i]]的时候才不会影响真正的dp[j] -
求最值
dp[i] = max/min(dp[i], dp[i-nums]+1)或dp[i] = max/min(dp[i], dp[i-num]+nums); -
求真假
dp[j] = dp[j] || dp[j - coins[i]];
背包问题 代码模板和leetcode相关例题
以上是关于背包问题的主要内容,如果未能解决你的问题,请参考以下文章