记忆化搜索.docVIP

妙用记忆化搜索解题例析 因为搜索太慢，所以超时了；因为动规太难，所以不编了。那么，这道题目就这样完了？如果可以，那么，我们就试试记忆化搜索。 题1 0/1 背包(package.pas) 【问题描述】 一个旅行者有一个最多能用 m 公斤的背包，现在有 n 件物品，它们的重量分别是 W1， W2，...,Wn,它们的价值分别为 C1,C2,...,Cn。若每种物品只有一件，求旅行者能获得最 大总价值。 【输入格】 第一行：两个整数，M(背包容量，M=200)和 N(物品数量，N=30)； 第 2..N+1 行：每行二个整数 Wi,Ci，表示每个物品的重量和价值。 【输出格式】 仅一行，一个数，表示最大总价值。 【样例输入】package.in 10 4 2 1 3 3 4 5 7 9 【样例输出】package.out 12 【问题分析】 题目很经典，就是给你物品的重量和价值，叫你求最多用M单位的重量能获得的物品最大总价值。 【算法分析】 对于背包问题的动态转移方程和动规程序段大家都不陌生了： for i:=1 to n do for j:=m downto a[i] do if f[j-a[i]]+b[i]f[j] then f[j]:=f[j-a[i]]+b[i]; (n代表物品数，m代表最大重量,a数组代表物品重量，b数组代表物品价值，f数组代表每个重量所能取得的最大价值) 那么，其实这道题目也可以用记忆化搜索来编，它的形式或许就是我们原本搜索的算法（时间复杂度为O（2^n），效率低下）的基础上加上2句语句就行了，但是，他的效率却与动规不相上下。 原本我们的搜索算法递归的变量是：还剩下重量j（也就是用了(m-j)的重量）并且还剩下前i个物品（也就是搜了(n-i)个物品（有的要了，有的没要））的价值，并且每次搜索分两种情况：1、此种物品不取，2、取此种物品（前提是剩下的重量要够取），然后我们在这两者间选最优值，即能获得的物品最大总价值。 那么在搜索的过程中，我们会重复计算I,j分别相同下的值。怎样优化呢？其实，现在只要用一个数组f[I,j]来存放此时搜索出来的I,j值（因为这个值保证最优，所以不需要再计算了），开始都赋值成-1，每次算相应的I,j的时候就记录下来，如果下次搜索时碰到一样的I,j的值，就不需要在重复求了。不要小看这一个“看似”不起眼的小小优化，其实此时我们的记忆化搜索的速度已经相当于动规了，而且数据小，可能还要快（因为动规要将每个重量所能取得的最大价值都算出来，而搜索只要算一部分）。 【参考程序】（记忆化搜索） var f:array[0..30,0..10000] of longint; w,v:array[1..30] of longint; n,m,i,j:longint; function max(a,b:longint):longint; begin if ab then exit(a) else exit(b); end; function get(i,j:longint):longint; {还剩下重量j并且还剩下前i个物品的价值} var t:longint; begin if (i1) then exit(0); {如果此时已没有物品可取，就返回0} if f[i,j]0 then {若对应的I,j没有求过} begin if jw[i] then t:=get(i-1,j) {取物品的重量不够，就不能取} else t:=max(get(i-1,j),get(i-1,j-w[i])+v[i]); {够，就在两者中选其最优值} f[i,j]:=t; {记录算出的值} end; exit(f[i,j]); {返回最优值} end; begin assign(input,package.in); assign(output,package.out); reset(input);rewrite(output); readln(m,n); for i:=1 to n do readln(w[i],v[i]); fillchar(f,sizeof(f),255); {赋值成-1} writeln(get(n,m)); {记忆化搜索} close(input);close(output