2018-03-15 13:11:12

背包问题(Knapsack problem)是一种组合优化的NP完全问题。问题可以描述为:给定一组物品,每种物品都有自己的重量和价格,在限定的总重量内,我们如何选择,才能使得物品的总价格最高。问题的名称来源于如何选择最合适的物品放置于给定背包中。

相似问题经常出现在商业、组合数学,计算复杂性理论、密码学和应用数学等领域中。

一、0/1背包问题

背包问题是个NPC问题,01背包可以通过动态规划算法在伪多项式时间内给出解。

0/1背包问题的特点是,每种物品仅仅有一件,且需要选择放或者不放。

在0/1背包问题中,物品i或者被装入背包,或者不被装入背包,设xi表示物品i装入背包的情况,则当xi=0时,表示物品i没有被装入背包,xi=1时,表示物品i被装入背包。根据问题的要求,有如下约束条件和目标函数:

于是,问题归结为寻找一个满足约束条件式2.1,并使目标函数式2.2达到最大的解向量X=(x1, x2, …, xn)。

0/1背包问题可以看作是决策一个序列(x1, x2, …, xn),对任一变量xi的决策是决定xi=1还是xi=0。在对xi-1决策后,已确定了(x1, …, xi-1),在决策xi时,问题处于下列两种状态之一:
(1)背包容量不足以装入物品i,则xi=0,背包不增加价值;
(2)背包容量可以装入物品i,则xi=1,背包的价值增加了vi。
这两种情况下背包价值的最大者应该是对xi决策后的背包价值。令V(i, j)表示在前i(1≤i≤n)个物品中能够装入容量为j(1≤j≤C)的背包中的物品的最大值,则可以得到如下动态规划函数:

式2.3表明:把前面i个物品装入容量为0的背包和把0个物品装入容量为j的背包,得到的价值均为0。
式2.4的第一个式子表明:如果第i个物品的重量大于背包的容量,则装入前i个物品得到的最大价值和装入前i-1个物品得到的最大价值是相同的,即物品i不能装入背包;第二个式子表明:如果第i个物品的重量小于背包的容量,则会有以下两种情况:
(1)如果把第i个物品装入背包,则背包中物品的价值等于把前i-1个物品装入容量为j-wi的背包中的价值加上第i个物品的价值vi;
(2)如果第i个物品没有装入背包,则背包中物品的价值就等于把前i-1个物品装入容量为j的背包中所取得的价值。显然,取二者中价值较大者作为把前i个物品装入容量为j的背包中的最优解。

举个例子:

例如,有5个物品,其重量分别是{2, 2, 6, 5, 4},价值分别为{6, 3, 5, 4, 6},背包的容量为10。
根据动态规划函数,用一个(n+1)×(C+1)的二维表V,V[i][j]表示把前i个物品装入容量为j的背包中获得的最大价值。

第一阶段,只装入前1个物品,确定在各种情况下的背包能够得到的最大价值;
第二阶段,只装入前2个物品,确定在各种情况下的背包能够得到的最大价值;
依此类推,直到第n个阶段。最后,V(n,C)便是在容量为C的背包中装入n个物品
时取得的最大价值。

如何确定装入背包的具体物品?

从V(n,C)的值向前推,如果V(n,C)>V(n-1,C),表明第n个物品被装入背包,前n-1个物品被装入容量为C-wn的背包中;否则,第n个物品没有被装入背包,前n-1个物品被装入容量为C的背包中。依此类推,直到确定第1个物品是否被装入背包中为止。由此,得到如下函数:

public class Knapsack {
static int knapsack(int[] v, int[] w, int W) {
int n = v.length;
int[][] V = new int[n + 1][W + 1];
int[] x = new int[n + 1];
for (int i = 0; i < W + 1; i++) {
V[0][i] = 0;
}
for (int i = 0; i < n + 1; i++) {
V[i][0] = 0;
} for (int i = 1; i <= n; i++) {
for (int j = 1; j <= W; j++) {
if (j < w[i - 1]) V[i][j] = V[i - 1][j];
else V[i][j] = Math.max(V[i - 1][j - w[i - 1]] + v[i - 1], V[i - 1][j]);
}
} int j = W;
for (int i = n; i >= 1; i--) {
if (V[i][j] == V[i - 1][j]) x[i] = 0;
else {
j -= w[i - 1];
x[i] = 1;
}
} for (int i = 1; i <= n; i++) {
System.out.println(x[i]);
}
return V[n][W];
} public static void main(String[] args) {
System.out.println(knapsack(new int[]{6, 3, 5, 4, 6}, new int[]{2, 2, 6, 5, 4}, 10));
}
}

相关的优化处理:

时间复杂度已经无法进一步进行优化了,但是空间复杂度还是有优化余地的,通过递推式可以看到,每次下一行的值的产生仅仅依赖于上一行的前面两个值,因此,我们可以将二维数组优化成一维数组进行存储。

    static int polish(int[] v, int[] w, int W){
int n = v.length;
int[] m = new int[W + 1];
m[0] = 0;
for (int i = 1; i <= n; i++) {
for (int j = W; j >= w[i - 1]; j--) {
m[j] = Math.max(m[j - w[i - 1]] + v[i - 1], m[j]);
}
}
return m[W];
}

另外,在初始化的时候,如果是题目没有要求必须得最终装满背包,则直接使用上述代码即可,如果题目中指出必须装满背包,则在初始化的时候,除了V[0][0] = 0外,其余的0件物品,j个重量,抑或j个重量,0件物品都是不满足装满背包的条件的,应该初始化为负无穷大。

二、完全背包问题

完全背包问题同样给出了n件物品的重量和价值,并且给出了背包的大小W,但是和0/1背包不同的是,在完全背包问题中,每件物品可以选1,2,3...直到背包放不下为止。

完全背包是0/1背包问题的一个扩展,也同样是一个非常经典的问题。

运用类比的思想,我们可以将完全背包转化成0/1背包,具体的转化可以有下面两种方式:

1、将每件物品看成W/w[i]件,价值不变;

2、将每件物品看成v[i]*2^k,重量为w[i]*2^k,想法就是利用二进制的角度看问题,任何多种选择都可以通过这些二进制数相加得到,这种方法的分解个数显然要小很多,非常聪明。

如果从递推式的角度来解决问题,可以得到一个非常好的解答:

V[i][j] = max{V[i - 1][j], V[i][j - w[i]] + v[i]}

对于每一个V[i][j]都可以看成要么不选择第i件,要么选择第i件且可以多选,那么就可以很容易的得到上述的递推式。

下面使用一维数组进行实现,你会发现除了内层的顺序变了,其他的都没有改变。

    static int polish(int[] v, int[] w, int W){
int n = v.length;
int[] m = new int[W + 1];
m[0] = 0;
for (int i = 1; i <= n; i++) {
for (int j = w[i - 1]; j <= W; j--) {
m[j] = Math.max(m[j - w[i - 1]] + v[i - 1], m[j]);
}
}
return m[W];
}

动态规划-背包问题 Knapsack的更多相关文章

  1. 对背包问题(Knapsack Problem)的算法探究

    对背包问题(Knapsack Problem)的算法探究 至繁归于至简,这次自己仍然用尽可能易理解和阅读的解决方式. 1.问题说明: 假设有一个背包的负重最多可达8公斤,而希望在背包中装入负重范围内可 ...

  2. js动态规划---背包问题

    //每种物品仅有一件,可以选择放或不放 //即f[i][w]表示前i件物品恰放入一个容量为w的背包可以获得的最大价值. //则其状态转移方程便是:f[i][w]=max{f[i-1][w],f[i-1 ...

  3. P1060 开心的金明(动态规划背包问题)

    题目描述 金明今天很开心,家里购置的新房就要领钥匙了,新房里有一间他自己专用的很宽敞的房间.更让他高兴的是,妈妈昨天对他说:"你的房间需要购买哪些物品,怎么布置,你说了算,只要不超过NN元钱 ...

  4. 动态规划——背包问题python实现(01背包、完全背包、多重背包)

    目录 01背包问题 完全背包问题 多重背包问题 参考: 背包九讲--哔哩哔哩 背包九讲 01背包问题 01背包问题 描述: 有N件物品和一个容量为V的背包. 第i件物品的体积是vi,价值是wi. 求解 ...

  5. PHP实现动态规划背包问题

    有一堆货物,有各种大小和价值不等的多个物品,而你只有固定大小的背包,拿走哪些能保证你的背包带走的价值最多 动态规划就是可以记录前一次递归过程中计算出的最大值,在之后的递归期间使用,以免重复计算. &l ...

  6. POJ 1276 Cash Machine -- 动态规划(背包问题)

    题目地址:http://poj.org/problem?id=1276 Description A Bank plans to install a machine for cash withdrawa ...

  7. 【优化算法】变邻域搜索算法解决0-1背包问题(Knapsack Problem)代码实例 已

    01 前言 经过小编这几天冒着挂科的风险,日日修炼,终于赶在考试周中又给大家更新了一篇干货文章.关于用变邻域搜索解决0-1背包问题的代码.怎样,大家有没有很感动? 02 什么是0-1背包问题? 0-1 ...

  8. 动态规划------背包问题(c语言)

    /*背包问题: 背包所能容纳重量为10:共五件商品,商品重量用数组m存储m[5]={2,2,6,5,4}, 每件商品的价值用数组n存储,n[5]={6,3,5,4,6};求背包所能装物品的最大价值. ...

  9. 购物单 && 动态规划 && 背包问题

    题目叙述的言语倒是蛮多的: 王强今天很开心,公司发给N元的年终奖.王强决定把年终奖用于购物,他把想买的物品分为两类:主件与附件,附件是从属于某个主件的,下表就是一些主件与附件的例子: 主件 附件 电脑 ...

随机推荐

  1. POM(project Object Model) Maven包管理依赖 pom.xml文件

    什么是POM POM全称为“Project Object Model”,意思是工程对象模型.Maven工程使用pom.xml来指定工程配置信息,和其他文本信息.该配置文件以xml为格式,使用xml语法 ...

  2. Java 泛型 详解

    一.什么是泛型 本质而言,泛型指的是参数化的类型.参数化的类型的重要性是:它能让你创建类.接口和方法,由它们操作的数据类型被指定为一个参数.操作参数化类型的类.接口或方法被称为泛型,如泛型类或泛型方法 ...

  3. JS通过正则限制 input 输入框只能输入整数、小数(金额或者现金)

    第一: 限制只能是整数 <input type = "text" name= "number" id = 'number' onkeyup= " ...

  4. Linux--vim编辑器和文件恢复

    第五章  Vim编辑器和恢复ext4下误删除的文件-Xmanager工具 本节所讲内容: 5.1  vim的使用 5.2  实战:恢复ext4文件系统下误删除的文件 5.3  实战:使用xmanage ...

  5. 【mlflow】打包:npm run build + python setup.py sdist

    mlflow是一个开源机器学习平台 最近需要使用一个它的最新版本,但是这个最新版本没有git包,无法通过pip install安装,需要打包安装. 打包完之后在项目的dist文件夹中有打包后的压缩包, ...

  6. Design Pattern in Simple Examples

    Instead of defining what is design pattern lets define what we mean by design and what we mean by pa ...

  7. day13(JSTL和自定义标签&MVC模型&javaweb三层框架)

    day13 JSTL标签库(重点) 自定义标签(理解) MVC设计模式(重点中的重点) Java三层框架(重点中的重点) JSTL标签库   1 什么是JSTL JSTL是apache对EL表达式的扩 ...

  8. Word 2010文档自动生成目录和某页插入页码

    一.Word 2010文档自动生成目录 关于Word文档自动生成目录一直是我身边同学们最为难的地方,尤其是毕业论文,经常因为目录问题,被要求修改,而且每次修改完正文后,目录的内容和页码可能都会发生变化 ...

  9. Specifications查询

    Spring Data JPA支持JPA2.0的Criteria查询,相应的接口是JpaSpecificationExecutor. Criteria 查询:是一种类型安全和更面向对象的查询 这个接口 ...

  10. poj1151 Atlantis && cdoj 1600艾尔大停电 矩形面积并

    题目: Atlantis Time Limit: 1000MS   Memory Limit: 10000K Total Submissions: 23758   Accepted: 8834 Des ...