算法7_动态规划法学案.ppt

template class T T KnapsackT::f(int j, float X) //私有递归函数 { //物品0-j放入载重X的背包中的最大收益 if (j0) return( (x0)? -INFTY: 0); if (Xw[j]) return f(j-1,X); //只有一种选择——不取物品j else { T a=f(j-1,X); T b=f(j-1,X-w[j])+p[j]; //两种选择——取或不取物品j if (ab) return a; else return b; //取其中较大的一种选择 } } template class T T KnapsackT::RKnap() //公有函数 { if (n0) return f(n-1,m); else return NoAns; //一个代表无收益的常量 } 例7-8 有0/1背包问题n=3，(w0,w1,w2)=(2,3,4)，(p0,p1,p2)=(1,2,4)，M=6，求最优解值f(2,6)。 递归求解过程： f(2,6)=max{f(1,6),f(1,6-4)+4}= f(1,6)=max{f(0,6),f(0,6-3)+2}= f(1,2)=f(0,2)= f(0,6)=max{f(-1,6),f(-1,6-2)+1}= f(0,3)=max{f(-1,3),f(-1,3-2)+1}= f(0,2)=max{f(-1,2),f(-1,2-2)+1}= 1 1 1 1 3 5 ∵ f(-1,y)=0 ，y≥0 程序7-8 递归算法实现 template class T T KnapsackT::f(int j, float X) { //物品0-j放入载重X的背包中的最大收益 if (j0) return( (x0)? -INFTY: 0); if (Xw[j]) return f(j-1,X); //只有一种选择——不取物品j else { T a=f(j-1,X); T b=f(j-1,X-w[j])+p[j]; //两种选择——取或不取物品j if (ab) return a; else return b; //取其中较大的一种选择 } } 物品数目为n时，程序的递归算法时间为T(n)。则有如下递推式： T(0)=T(1)=a T(n)≤2T(n-1)+b 该递推式的解为O(2n)。 可见程序7-8：0/1背包问题的递归算法时间复杂度最坏情况下为指数级的。 由上述递归过程可知，可采用动态规划法（或备忘录法）求解0/1背包问题。 当物品重量为整数时，可采用动态规划法，自底向上进行计算。 已经计算的子问题的最优解值用二维数组f[j][k]保存(0≤jn，0≤k≤M)。 （也可以采用备忘录方法，在递归计算中保存子问题的最优解值。） 由于需要对j和k的不同值计算f[j][k]，因此总的计算时间为Θ(nM)，其中M是背包载重量，n是物品个数。 但是当物品重量和背包载重为实数时，子问题的最优解值f(j,X)是X(0≤X≤M)的连续函数，上述方法便行不通了。 物品重量为实数的0/1背包的动态规划算法 从式（7-25）f(j,X)的递推式 可知： 子问题的最优解值f(j,X)是 X(0≤X≤M)的阶梯形单调非减函数。 （见例7-8） Xwj时只有f(j-1,X)一种选择 例7-8 有0/1背包问题n=3，(w0,w1,w2)=(2,3,4)，(p0,p1,p2)=(1,2,4)，M=6，求最优解值f(2,6)。 最优解值 f(2,6)=5 1 2 3 4 5 6 7 8 1 2 0 -∞ f(-1,X) X 1 2 3 4 5 6 7 8 1 2 0 -∞ f(0,X) X 1 2 3 4 5 6 7 8 1 2 0 -∞ f(1,X) X 3 函数f是阶梯形非减曲线，可以由一组阶跃点来描述。 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 0 ﹣∞ f(2,X) X 9 函数f(j,X)是由f(j-1,X)和f(j-1,X-wj)+pj的函数曲线，按X相同时取大值的方式生成的。 由于 将f(j-1,X)在X轴上右移wj个单位，然后上移pj个单位，就可得到f(j-1,X-wj)+pj的图像。 1 2 3 4 5 6 7 8 1 2 0 -∞ f(-1,X) X 1 2 3 4 5 6 7 8 1 2 0 -∞ f(0,X) X 1 2 3 4 5 6 7 8 1