算法第3章资料.ppt

* 2.递归关系 设所给0-1背包问题的子问题 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0-1背包问题的最优值。由0-1背包问题的最优子结构性质，可以建立计算m(i，j)的递归式: * 注:(3-4-3)式 此时背包容量为j，可选择物品为i。此时在对xi作出决策之后,问题 处于两种状态之一: 背包剩余容量是j,没产生任何效益; 剩余容量j-wi,效益值增长了vi . 从n推至i+1,i算出最优值m(i,j) （ i=n,…,1） 。 m(1,c)为最优值。 然后用回溯法Traceback找出最优解xi 其中i，c为整值。 3.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。 * 4.算法描述 template class Type 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]); //效益值增长vi // } 背包问题的动态规划算法Knapsack如下： * 4.算法描述 m[1][c]=m[2][c]; if(c=w[1]) m[1][c]=max(m[1][c], m[2][c-w[1]]+v[1]); } Template class Type //求最优解xi // 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; } 说明:当wi为正整数时，用二维数组m[][]来存储m(i,j)相应的最优值。 Knapsack算法的另一缺点是要求所给物品的重量wi（1 ? i ? n） 是整数 * 5．改进算法 为克服以上缺点，引入阶梯函数。利用序偶概念，改进算法的计算时间复杂性为O（2n ）。而当所给物品的重量wi是整数时，其计算时间复杂性为 （略） 。 * 由m(i,j)的递归式容易证明，在一般情况下，对每一个确定的i(1≤i≤n)，函数m(i,j)是关于变量j的阶梯状单调不减函数。跳跃点是这一类函数的描述特征。在一般情况下，函数m(i,j)由其全部跳跃点惟一确定。如图所示。 对每一个确定的i(1≤i≤n)，用一个表p[i]存储函数m(i，j)的全部跳跃点。表p[i]可依计算m(i，j)的递归式递归地由表p[i+1]计算，初始时p[n+1]={(0，0)}。 * 典型例子（一） n=3，c=6，w={4，3，2}，v={5，2，1}。 x (0,0) m(4,x) x (2,1) m(4,x-2)+1 x (0,0) (2,1) m(3,x) (3,2) x m(3,x-3)+2 (5,3) x (0,0) (2,1) m(2,x) (3,2) (5,3) x m(2,x-4)+5 (4,5) (6,6) (7,7) (9,8) x (0, 0) (2,