第3章 动态规划——背包问题.pptVIP

给定n种物品和一个背包，物品i的重量是wi，其价值为vi，背包的容量为C。背包问题是如何选择装入背包的物品，使得装入背包中物品的总价值最大?如果在选择装入背包的物品时，对每种物品i只有两种选择：装入背包或不装入背包，即不能将物品i装入背包多次，也不能只装入物品i的一部分，则称为0-1背包问题。 3.10 0-1背包问题 3.10 0-1背包问题 考虑有三种物品, 它们的 重量为( w1, w2, w3 ) = ( 2, 3, 4 ), 价值为( v1, v2, v3 ) = ( 1, 2, 5 ), 当背包容量为c = 6时，如何装背包总价值最大？？ {x1, x2, x3} = {1, 0, 1} v1* x1 + v2*x2 + v3*x3= 6 {x1,x2,x3}={0,0,0}{0,0,1}{0,1,0}{1,0,0}{1,0,1}{1,1,0} 常规方法：枚举 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： （式1） （式2） 问题归结为寻找一个满足约束条件式1，并使目标函数式2达到最大的解向量X=(x1, x2, …, xn)。 3.10 0-1背包问题 设(x1, x2, …, xn)是所给0-1背包问题的一个最优解，则(x2, …, xn)是下面一个子问题的最优解： 如若不然，设(y2, …, yn)是上述子问题的一个最优解，则 ，且 。因此， ，这说明(x1, y2, …, yn)是所给0-1背包问题比(x1, x2, …, xn)更优的解，从而导致矛盾。 背包问题的最优子结构性质 设背包问题子问题的最优值为m(i,j),即m(i,j)是背包容量为j，可选择物品为i,i＋1,…,n时的最优值。 当选择第i个物品时， 。 如果不选择第i个物品，则 。 由背包问题的最优子结构性质，我们可以建立计算m(i,j)的递归式如下： m(i, j) = m(i + 1, j - wi) + vi m( i, j) = m(i + 1, j) 背包问题的递归关系 背包问题算法描述 void Knapsack( Type v, int w, int c, int n, Type **m) { int jMax = min(w[n]－1, c) //背包剩余容量// for(int j = 0;j=jMax; j++) //背包不同剩余容量j ?jMaxc// m[n][j]=0; for(int j=w[n]; j=c; j++) //背包不同剩余容量j c// m[n][j]=v[n]; for(int i=n-1; i1; i--) { jMax=min(w[i]-1, c); for(int j=0;j=jMax; j++) //背包不同剩余容量j ? jMaxc// m[i][j]=m[i+1][j]; //没产生任何效益// for(int j=w[i];j=c; j++) //背包不同剩余容量j-wi c// m[i][j]=max(m[i+1][j], m[i+1][j-w[i]]+v[i]); } m[1][c]=m[2][c]; if(c=w[1]) m[1][c]=max(m[1][c], m[2][c-w[1]]+v[1]); } void Traceback(Type **m, int w, int c, int n, int x) { for(int i=1; in; i++) if(m[i][c]==m[i+1][c]) x[i]=0; else { x[i]=1; c= c- w[i]; } x[n]=(m[n][c])?1:0; } 背包问题算法描述 算法复杂度分析： 从m(i，j)的递归式容易看出，算法Knapsack需要O(nc)计算时间; Traceback需O(n)计算时间；算法总体需要O(nc)计算时间。当背包容量c很大时，算法需要的计算时间较多。例如，当c2n时，算法需要Ω(n2n)计算时间。 例: 四个物品，背