背包问题详解

亦凉 2022-05-17 08:16 175阅读 0赞

# 导言 #

## 部分背包问题 ##

## 0 1 背包问题 ##

## 完全背包问题 ##

## 多重背包问题 ##

### 背包的分类 ###

一级包，二级包和三级包，显然其中三级包的容量是最大的，吃鸡必备装备啊！  
![这里写图片描述][70]

但是我们需要研究的是这样的问题：  
![这里写图片描述][70 1]

#### 各种背包 ####

背包问题大概分下面这几种

*  部分背包问题
 *  0 1 背包问题
 *  完全背包问题
 *  多重背包问题

#### 问题 ####

为什么要学习背包问题呢？

*  背包问题已经是一个很经典而且讨论很广泛的算法问题了。
 *  背包问题的解决方法背后其实隐藏了两种我们比较常见的算  
    法解决思路，动态规划和贪心算法。

--------------------

# 部分背包 #

## 定义： ##

#### 部分背包问题： ####

给出 n 个物体，第 i 个物体重量为 wi, 价值为 vi。在总重量
    不超过 W 的情况下让总价值尽量高，每一个物体都可以只取走
    一部分，价值和重量按比例计算。

#### 分析 ####

因为物体既有重量又有价值，所以不能简单的先拿轻的 (轻
    的可能价值也小)，也能先拿价值大的 (它可能特别重)，而因该
    综合考虑两个因素。一种直观的贪心策略就是：优先拿“价值除
    以重量”最大的，直到重量和正好为 W
    
    那么你作为一个非常优秀的 ACMer，肯定应该知道按照什
    么顺序拿物品的把。没错，看着值钱的先抢！
    
    那么问题很简单咯 ，把” 值钱” 的东西排在前面，每次拿抢
    的时候，问问看背包君够不够承受得住，承受的了，就全部抢过
    来。承受不住，那么只能按照所能承受的重量，取物品的一部分
    了。当然价值也得按照比例来哦

部分背包没什么好讲的，主要是一个贪心策略，就是优先选取性价比最高的来装入背包

--------------------

# 01背包 #

### 0 1 背包问题: ###

有 n 种重量和价值分别为 wi ,vi 的物品，从这些物品中挑选
    总重量不超过 W 的物品，求出挑选物品价值总和的最大值。在
    这里，每种物品只可以挑选一件

##### 限制条件 #####

*  1≤n≤100  1 ≤ n ≤ 100 
 *  1≤wi;vi≤100  1 ≤ w i ; v i ≤ 100 
 *  1≤W≤10000  1 ≤ W ≤ 10000

#### 分析一下 ####

这道题就是各个物品“选”与“不选”的组合，因此被称为0−1背包问题  这 道 题 就 是 各 个 物 品 “ 选 ” 与 “ 不 选 ” 的 组 合 ， 因 此 被 称 为 0 − 1 背 包 问 题  如果检查n个物品所有“选”与“不选”的组合  如 果 检 查 n 个 物 品 所 有 “ 选 ” 与 “ 不 选 ” 的 组 合   
算法的复杂度为O(2n)  算 法 的 复 杂 度 为 O ( 2 n )  当物品的大小以及背包的大小均为正数  当 物 品 的 大 小 以 及 背 包 的 大 小 均 为 正 数   
则0−1背包问题可以用动态规划法以O(nW)的效率解决。  则 0 − 1 背 包 问 题 可 以 用 动 态 规 划 法 以 O ( n W ) 的 效 率 解 决 。

#### 状态转移方程： ####

如果我们按照如下的方式来定义递推关系的话，刚刚关于i的循环就能正向进行  如 果 我 们 按 照 如 下 的 方 式 来 定 义 递 推 关 系 的 话 ， 刚 刚 关 于 i 的 循 环 就 能 正 向 进 行   
我们定义dp\[i\+1\]\[j\]:=从0到i这i\+1个物品中选出总重量不超过j的物品时总价值的最大值  我 们 定 义 d p \[ i + 1 \] \[ j \] := 从 0 到 i 这 i + 1 个 物 品 中 选 出 总 重 量 不 超 过 j 的 物 品 时 总 价 值 的 最 大 值   
很显然dp\[0\]\[j\]=0，因为你没物品可取的时候背包的价值为0  很 显 然 d p \[ 0 \] \[ j \] = 0 ， 因 为 你 没 物 品 可 取 的 时 候 背 包 的 价 值 为 0

所以我们可以写出下边的状态转移方程

dp\[i\+1\]\[j\]=\{ dp\[i\]\[j\]max(dp\[i\]\[j\],dp\[i\]\[j−w\[i\]\]\+v\[i\])(j<w\[i\])其他  d p \[ i + 1 \] \[ j \] = \{ d p \[ i \] \[ j \] ( j < w \[ i \] ) m a x ( d p \[ i \] \[ j \] , d p \[ i \] \[ j − w \[ i \] \] + v \[ i \] ) 其他

#### 代码实现1 ####

根据这个状态转移方程我们可以写出这个代码，复杂度O(nW)  O ( n W )

for(int i=0;i<n;i++)
        for(int j=0;j<=W;j++)
            if(j<w[i])  
                dp[i+1][j]=dp[i][j];
            else
                dp[i+1][j]=max(dp[i][j],dp[i][j-w[i]]+v[i]);
    printf("%d\n",dp[n][W]);

#### 举个栗子 ####

看一下这个例子  
![这里写图片描述][70 2]

由于你非常优秀, 所以一眼就能够看出来这个问题的答案是多少  
但是我们需要研究一下解决 01 背包的过程中 dp 数组的状态转移过程  
所以我们来用这个简单地样例来观察一下 dp 数组的状态是怎么变化的

##### 取第 0 个物品 (w0;v0)=(2;3)  ( w 0 ; v 0 ) = ( 2 ; 3 )  #####

![这里写图片描述][70 3]

##### 取第 0 个物品 (w0;v0)=(2;3)  ( w 0 ; v 0 ) = ( 2 ; 3 )  #####

![这里写图片描述][70 4]

##### 取第1个物品(w1,v1)=(1,2)  ( w 1 , v 1 ) = ( 1 , 2 )  #####

![这里写图片描述][70 5]

##### 取第1个物品(w1,v1)=(1,2)  ( w 1 , v 1 ) = ( 1 , 2 )  #####

![这里写图片描述][70 6]

##### 取第1个物品(w1,v1)=(1,2)  ( w 1 , v 1 ) = ( 1 , 2 )  #####

![这里写图片描述][70 7]

##### 取第1个物品(w1,v1)=(1,2)  ( w 1 , v 1 ) = ( 1 , 2 )  #####

![这里写图片描述][70 8]

##### 取第2个物品(w2,v2)=(3,4)  ( w 2 , v 2 ) = ( 3 , 4 )  #####

![这里写图片描述][70 9]

##### 取第2个物品(w2,v2)=(3,4)  ( w 2 , v 2 ) = ( 3 , 4 )  #####

![这里写图片描述][70 10]

##### 取第3个物品(w3,v3)=(2,2)  ( w 3 , v 3 ) = ( 2 , 2 )  #####

![这里写图片描述][70 11]

##### 取第3个物品(w3,v3)=(2,2)  ( w 3 , v 3 ) = ( 2 , 2 )  #####

![这里写图片描述][70 12]

#### 再啰嗦一下 ####

希望大家能够根据上边的例子完全的理解01背包的实现过程，因为01背包非常重要的，它是背包问题的基础，基础牢固对其他动态规划的学习也有帮助的。

#### 01背包代码实现2 ####

*  此外，01背包的还可以通过两个数组滚动来实现重复利用

int dp[2][MAXN];
    for(int i=0;i<n;i++)
        for(int j=0;j<=W;j++)
           if(j<w[i])
              dp[(i+1)&1][j]=dp[i&1][j];
           else
      dp[(i+1)&1][j]=max(dp[i&1][j],dp[i&1][j-w[i]]+v[i]);
    
    printf("%d\n",dp[n&1][W]);

#### 01背包代码实现3 ####

*  当然，还可以通过不断重复用一个数组来实现

int dp[MAXN];
    for(int i=0;i<n;i++)
        for(int j=W;j>=w[i];j--)
            dp[j]=max(dp[j],dp[j-w[i]]+v[i]);
    printf("%d\n",dp[W]);

--------------------

# 完全背包 #

## 问题提出 ##

有n种重量和价值分别为  有 n 种 重 量 和 价 值 分 别 为 w\[i\],v\[i\]的物品  的 物 品   
从这些物品中挑选总重量不超过  从 这 些 物 品 中 挑 选 总 重 量 不 超 过 W的物品  的 物 品   
求出挑选物品价值总和的最大值。在这里，每种物品可以挑选任意件  求 出 挑 选 物 品 价 值 总 和 的 最 大 值 。 在 这 里 ， 每 种 物 品 可 以 挑 选 任 意 件

*  限制条件  
    
    
     *  1≤n≤100  1 ≤ n ≤ 100 
     *  1≤wi,vi≤100  1 ≤ w i , v i ≤ 100 
     *  1≤W≤10000  1 ≤ W ≤ 10000

### 递推关系 ###

这次同一类的物品可以挑选任意多件了。我们再试着写出递推关系。  这 次 同 一 类 的 物 品 可 以 挑 选 任 意 多 件 了 。 我 们 再 试 着 写 出 递 推 关 系 。   
令dp\[i\+1\]\[j\]=从前i种物品中挑选总重量不超过j时总价值的最大值。那么递推关系就为：  令 d p \[ i + 1 \] \[ j \] = 从 前 i 种 物 品 中 挑 选 总 重 量 不 超 过 j 时 总 价 值 的 最 大 值 。 那 么 递 推 关 系 就 为 ：

dp\[0\]\[j\]=0  d p \[ 0 \] \[ j \] = 0

dp\[i\+1\]\[j\]=max\{ dp\[i\]\[j−k∗w\[i\]\]\+k∗v\[i\]|0<=k\}  d p \[ i + 1 \] \[ j \] = m a x \{ d p \[ i \] \[ j − k ∗ w \[ i \] \] + k ∗ v \[ i \] | 0 <= k \}

如果按照这个递推关系来写程序话，代码是这样子的：

*  完全背包代码实现1

for(int i=0;i<n;i++)
        for(int j=0;j<=W;j++)
            for(int k=0;k*w[i]<=j;k++)
        dp[i+1][j]=max(dp[i+1][j],dp[i][j-k*w[i]]+k*v[i]);
    printf("%d\n",dp[n][W]);

这个代码并不友好，拥有三重循环,时间复杂度是O(nW2)  O ( n W 2 )

上边的代码有很多重复计算，将状态转移方程化简一下 得到的是这样子的  
![这里写图片描述][70 13]

这样一来就不需要k的循环了，便可以用O(nW)  O ( n W ) 时间解决问题

*  完全背包代码实现2

for(int i=0;i<n;i++)
        for(int j=0;j<=W;j++)
            if(j<w[i])
                dp[i+1][j]=dp[i][j];
            else
                dp[i+1][j]=max(dp[i][j],dp[i+1][j-w[i]]+v[i]);
    printf("%d\n",dp[n][W]);

#### 举个栗子 ####

我再来举个栗子  
如图所示

![这里写图片描述][70 14]

你当然能够一眼看出来背包的最大价值是多少  你 当 然 能 够 一 眼 看 出 来 背 包 的 最 大 价 值 是 多 少   
为了帮助你理解完全背包状态的转移过程  为 了 帮 助 你 理 解 完 全 背 包 状 态 的 转 移 过 程   
我们可以根据这个例子来看一下dp数组的状态是怎么转移的  我 们 可 以 根 据 这 个 例 子 来 看 一 下 d p 数 组 的 状 态 是 怎 么 转 移 的

##### 取第0个物品(w0,v0)=(3,4)  ( w 0 , v 0 ) = ( 3 , 4 )  #####

![这里写图片描述][70 15]

##### 取第0个物品(w0,v0)=(3,4)  ( w 0 , v 0 ) = ( 3 , 4 )  #####

![这里写图片描述][70 16]

##### 取第0个物品(w0,v0)=(3,4)  ( w 0 , v 0 ) = ( 3 , 4 )  #####

![这里写图片描述][70 17]

##### 取第1个物品(w1,v1)=(4,5)  ( w 1 , v 1 ) = ( 4 , 5 )  #####

![这里写图片描述][70 18]

##### 取第1个物品(w1,v1)=(4,5)  ( w 1 , v 1 ) = ( 4 , 5 )  #####

![这里写图片描述][70 19]

##### 取第2个物品(w2,v2)=(2,3)  ( w 2 , v 2 ) = ( 2 , 3 )  #####

![这里写图片描述][70 20]

##### 取第2个物品(w2,v2)=(2,3)  ( w 2 , v 2 ) = ( 2 , 3 )  #####

![这里写图片描述][70 21]

#### 完全背包代码实现2 ####

*  当然我们也可以像01背包那样只开2个二维数组通过滚动来实现数组的重复利用

int dp[2][MAXN];
    for(int i=0;i<n;i++)
        for(int j=0;j<=W;j++)
            if(j<w[i])
                dp[(i+1)&1][j]=dp[i&1][j];
            else
    dp[(i+1)&1][j]=max(dp[i&1][j],dp[(i+1)&1][j-w[i]]+v[i]);
    
    printf("%d\n",dp[n][W]);

#### 完全背包代码实现3 ####

*  只开一维数组也可以的

int dp[MAXN];
    for(int i=0;i<n;i++)
        for(int j=w[i];j<=W;j++)
            dp[j]=max(dp[j],dp[j-w[i]]+v[i]);
    printf("%d\n",dp[W]);

上边的代码是不是很熟悉？  
上边的代码是不是很熟悉？没错，和01背包的代码除了第二个for循环不一样之外，其他的地方一模一样！  
为什么会是这个样子呢？

#### 完全背包与01背包关于第二个循环的分析 ####

*  01背包的是第一个的代码，完全背包的是第二个代码

for(int j=W;j>=w[i];j--)
    for(int j=w[i];j<=W;j++)

首先我们来想一下为什么01背包中要按照j递减的次序来循环。  首 先 我 们 来 想 一 下 为 什 么 01 背 包 中 要 按 照 j 递 减 的 次 序 来 循 环 。   
让j递减是为了保证第i次循环中的状态dp\[i\]\[j\]是由状态dp\[i−1\]\[j−w\[i\]\]递推而来的。  让 j 递 减 是 为 了 保 证 第 i 次 循 环 中 的 状 态 d p \[ i \] \[ j \] 是 由 状 态 d p \[ i − 1 \] \[ j − w \[ i \] \] 递 推 而 来 的 。   
换句话说，这正是为了保证每件物品只选一次，保证在考虑“选入第i件物品”这件策略时，  换 句 话 说 ， 这 正 是 为 了 保 证 每 件 物 品 只 选 一 次 ， 保 证 在 考 虑 “ 选 入 第 i 件 物 品 ” 这 件 策 略 时 ，   
依据的是一个绝无已经选入第i件物品的子结果dp\[i−1\]\[j−w\[i\]\].  依 据 的 是 一 个 绝 无 已 经 选 入 第 i 件 物 品 的 子 结 果 d p \[ i − 1 \] \[ j − w \[ i \] \] .

*  01背包的是第一个的代码，完全背包的是第二个代码

for(int j=W;j>=w[i];j--)
    for(int j=w[i];j<=W;j++)

而现在完全背包的特点恰是每种物品可选无限件  而 现 在 完 全 背 包 的 特 点 恰 是 每 种 物 品 可 选 无 限 件

所以在考虑“加一件第i种物品”这种策略时  所 以 在 考 虑 “ 加 一 件 第 i 种 物 品 ” 这 种 策 略 时

却正需要一个可能已选入第i种物品的子结果dp\[i\]\[j−w\[i\]\]  却 正 需 要 一 个 可 能 已 选 入 第 i 种 物 品 的 子 结 果 d p \[ i \] \[ j − w \[ i \] \]

所以就可以并且必须采用v递增的顺序进行循环  所 以 就 可 以 并 且 必 须 采 用 v 递 增 的 顺 序 进 行 循 环

这就是这个简单程序为何成立的道理  这 就 是 这 个 简 单 程 序 为 何 成 立 的 道 理

--------------------

# 多重背包 #

### 问题与应用 ###

有n种重量和价值分别为w\[i\]，v\[i\]  w \[ i \] ， v \[ i \] 的物品，从这些物品中挑选总重量不超过W  W 的物品，求出挑选物品价值总和的最大值。不过在这里，每种物品最多可以挑选mi m i件

*  限制条件  
    
    
     *  1≤n≤100  1 ≤ n ≤ 100 
     *  1≤wi,vi≤100  1 ≤ w i , v i ≤ 100 
     *  1≤mi≤10000  1 ≤ m i ≤ 10000 
     *  1≤W≤10000  1 ≤ W ≤ 10000

### 状态转移方程 ###

dp\[i\]\[j\]:=到第i个物品为止总重量不超过j的所有选法中最有可能的最大值  d p \[ i \] \[ j \] := 到第i个物品为止总重量不超过j的所有选法中最有可能的最大值

dp\[i\+1\]\[j\]=max(dp\[i\]\[j−k∗w\[i\]\]\+k∗v\[i\]|0≤k≤m\[i\])  d p \[ i + 1 \] \[ j \] = m a x ( d p \[ i \] \[ j − k ∗ w \[ i \] \] + k ∗ v \[ i \] | 0 ≤ k ≤ m \[ i \] )

#### 分析分析 ####

对第i种物品有mi\+1  m i + 1 件策略：取0件，取1件…….取mi  m i 件，复杂度是O(nmW)  O ( n m W ) ，无法在规定时间内求解

--------------------

一种好想好写的基本方法是将其转化为01背包问题求解：

把第i  i 件物品换成mi m i件01背包中的物品，也就是说：

我们将mi  m i 件物品，变成0…mi  0 … m i 个物品，

则得到的物品数为∑mi  ∑ m i 的01背包问题

如果直接求得话，复杂度仍然是O(nmW)  O ( n m W )

--------------------

但是我们希望将它转换成01背包问题之后，能够想完全背包一样降低复杂度。

考虑二进制的思想，把第i件物品换成若干件物品，

使得原问题中的第i件物品可取的每一种策略——取0…mi  m i 件

均能够等价于取若干件物品代换之后后的物品，另外，取mi  m i 件的策略必不能够出现

--------------------

将mi  m i 分解为如下形式:

mi=1\+2\+4\+⋯\+2k\+a(0≤a≤2k\+1)  m i = 1 + 2 + 4 + ⋯ + 2 k + a ( 0 ≤ a ≤ 2 k + 1 )

由于  1,2,…,2k  1 , 2 , … , 2 k  的组合可以表示出  0⋯2k\+1−1  0 ⋯ 2 k + 1 − 1  的所有整数，因此  1,2,⋯2k,a  1 , 2 , ⋯ 2 k , a  可以表示出所有  0mi  0 m i  的所有整数

因此，我们把mi  m i 个重量和价值分别为wi  w i 和vi  v i 的物品，  
看成重量和价值分别为wi∗x,vi∗x(x=1,2,⋯,2k,a)  w i ∗ x , v i ∗ x ( x = 1 , 2 , ⋯ , 2 k , a ) 的k\+2  k + 2 个物品。

这样，物品的总个数就变为O(nlogm)  O ( n l o g m ) 个，  
使用一般的01背包DP可以在O(nWlogm)  O ( n W l o g m ) 时间内求出答案

--------------------

##### 举个栗子 #####

比如说给我的第i个物品，重量为2，价值100，数量13；  
按照上边二进制的形式将13分解之后13=1\+2\+4\+6  13 = 1 + 2 + 4 + 6 所以我们就得到了4个物品，这四个物品分别是

我们可以通过对这四个物品取或者不取  
可以达到对第i个物品取0,1,2⋯13  0 , 1 , 2 ⋯ 13 件的操作  
所以我们的目的就达成了，将其变成01背包的问题！

#### 多重背包代码实现 ####

for(int i=0;i<n;i++){
        int num=m[i];//用来找a 
        for(int k=1;num>0;k<<=1){
            int mul=min(k,num);
            for(int j=W;j>=w[i]*mul;j--){
                dp[j]=max(dp[j],dp[j-w[i]*mul]+v[i]*mul); 
            }
            num-=mul;
        }
    }
    printf("%d\n",dp[W]);

--------------------

个人拙见，如果有错误请在留言区指出  
emmm，希望对大家学习背包有所帮助

[70]: /images/20220517/a4b9b16dca1a43b599a0566dc7ea0e6f.png
[70 1]: /images/20220517/c399d67300544461840ffbe50ec9c4a7.png
[70 2]: /images/20220517/adfc77f28807444cb469189d94fde8a8.png
[70 3]: /images/20220517/40cead71df5d47d4b4836b4c68fb2127.png
[70 4]: /images/20220517/b8cd0461f84a4d54856a8ffd65c95584.png
[70 5]: /images/20220517/e0a7021a2f8d4aefa3d07cc109ff6cdc.png
[70 6]: /images/20220517/0997cf303d7a4f52b0bc4dd4ed36872d.png
[70 7]: /images/20220517/ce461ee26f6c467baecd318147261d6a.png
[70 8]: /images/20220517/d88e4b601e0142c1b41d1b3a1da47178.png
[70 9]: /images/20220517/6aadca8113f94e18a5dda765ca11c0b3.png
[70 10]: /images/20220517/9afa15918484446da8af08af46ee5108.png
[70 11]: /images/20220517/b8cd78274901422c96d64f3885f111b2.png
[70 12]: /images/20220517/c2f6bcb45a7c4691803d3828a9512686.png
[70 13]: /images/20220517/cb53b924de064e18aae89d4006b771d5.png
[70 14]: /images/20220517/9053fc1f10cc4cc0bca59e27df5b6ace.png
[70 15]: /images/20220517/493162259c2c4c4a92faef117e9555b8.png
[70 16]: /images/20220517/fcb55dbf6b574244bc1a8050675e2495.png
[70 17]: /images/20220517/1d989af4e07a432c86aec658b2d9be2c.png
[70 18]: /images/20220517/d00ccc0b72a0443ab10193fcc0043429.png
[70 19]: /images/20220517/015141a4b2cf493c9972bdbb05990572.png
[70 20]: /images/20220517/48ad431d41484f2ebac9b975e35e7027.png
[70 21]: /images/20220517/025d88cf4c674eff9e571743838020c4.png