第3章-背包问题.ppt

若不考虑预处理中排序所耗费的时间，该算法的 时间复杂度为O(n)。 该算法不能计算近似比δ，因此属于启发式算法 没有近似程度的保障，但在该算法基础上做一点小改 动，就可得到下面介绍的近似算法。 5.近似算法 背包问题最常用的近似算法是基于贪心算法思想 实现的，为提高效果，在贪心算法处理后，还可对背 包外的物品按价值密度从高到低再扫描一次，并在扫 描过程中将还能装入到背包中的物品装入，具体实现 方法可描述如下： Algorithm Approximate_BKP; Begin Reduce_c:=c; {Reduce_c为背包的剩余载重量} Z_G:=0; {Z_G为背包中所有物品的总价值} Flag_1:=0； {Flag_1为标志变量} For i:=1 to n do x[i]=0; For i:=1 to n do If w[i]=Reduce_c then Begin x[i]:=1; Reduce_c:=Reduce_c-w[i]; Z_G:= Z_G+p[i]; End Else Begin If Z_Gp[i] then If Flag_1=0 then Begin {第一次碰到不能装入到背包中的物品} for j:=1to i-1 do x[j]:=0; x[i]:=1; Z_G:=p[i]; Reduce_c:=c-w[i]; Flag_1:=1； Exit {跳出前面的循环For i:=1 to n do} End End 下述操作是为提高效果，在Flag_1=1的情况下对 背包外的物品按价值密度从高到低再扫描一次，并在 扫描过程中将能装入到背包中的物品装入，这些操作 不改变算法的近似比，若Flag_1=0，前述代码会扫描 所有的物品。 If Flag_1=1 then For i:=1 to n do If (x[i]:=0) and (w[i]=Reduce_c) then Begin x[i]:=1; Reduce_c:=c-w[i]; Z_G:= Z_G+p[i]; End End 若不考虑预处理中排序的时间，则算法的时间复 杂度为O(n)。 设问题最优值为z*，第一次碰到不能装入背包中 的物品b就是临界项，故问题上界为 令 由于第一次碰到不能装入到背包中的物品为b，故 有 6.动态规划法 运用动态规划的原理和方法，建立相应的模型并 求解。鉴于动态规划的方法在时间复杂性和空间复杂 性上都不具优势，算法的实现细节从略。 7.分支定界法 例3.1 n=4,W=(30,40,30,10),P=(180,200,120,30)，C=95。 解 该问题数据已按价值密度从大到小排序，令rc为背包 在装入部分物品后剩余的载重量，则问题的求解过程如下： （1）用贪心算法求得整个背包问题的下界b=410。 （2）令x1=0，求出此时的上界u1=350。 （3）由于在x1=0的情况下u1b，因此x1=1，即把x1=0的情况 剪支。 (4)在x1=1的情况下，令x2=0，求出此时的上界u2=330。 （5）由于在x1=1，x2=0的情况下u2b，因此x2=1，即把x2=0 的情况剪支。 （6）在x1=1，x2=1的情况下，由于此时rc=95-30-40=25w3 =30，因此x3=0，即把x3=1的情况剪支。 （7）对于最后一个物品，由于rc=25w4=10，因此x4=1，即 把x3=0的情况剪支。 可知，问题的最优解为 ，最优值 有界与无界背包问题及其算法 有界背包问题可转换为0-1背包问题，但转换后并 没有降低问题求解的难度，因此，0-1背包问题的算法 同样可用来求解有界背包问题，当然，也有很多专门 用于求解无界背包问题的算法，可参考有关的资料。 这里，仅介绍有界背包问题如何转换为0-1背包问 题。 在有界背包问