广义背包报告.docVIP

广义背包问题 一，问题描述 给定载重量为M的背包和n种物品，每种物品有一定的重量和价值，现在需要设计算法，在不超过背包载重量的前提下，巧妙选择物品，使得装入背包的物品的总价值最大化。规则是，每种物品均可装入背包多次或不装入（但不能仅装入物品的一部分）。 二，数学描述 给定背包载重量M 0，物品重量wi 0，物品价值vi 0，其中1≤i≤n，要求找出n元向量(x1, x2, ... , xn)，xi∈N，1≤i≤n，使得而且达到最大。 三，边界条件 ，其中xi∈N，1≤i≤n 四，递归关系 设广义背包子问题的最优值为m(i, j)，即m(i, j)是背包载重量为j，可选物品为i, i+1, ... , n时广义背包问题的最优值。m(i, j)的递归式 五，算法分析 由m(i, j)的递归式容易证明，对每个确定的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。即函数m(i, j)由其全部跳跃点唯一确定。 注意到计算m(i, j)的递归式在变量j是连续变量，可以对每一个确定的i (1≤i≤n)，用一个表p[i]存储函数m(i, j)的全部跳跃点。对每一个确定的实数j，可以通过查找表p[i]确定函数m(i, j)的值。P[i]的全部跳跃点(j, m(i, j))依j的升序排列。由于函数m(i, j)是关于变量j的阶梯状单调不减函数，故p[i]中全部跳跃点的m(i, j)值也是递增排列的。 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[i-1] = p[0] = {(0, 0)}。事实上函数m(i, j)是由函数m(i - 1, j)与函数m(i, j - wi) + vi做max运算得到的。因此，函数m(i, j)的全部跳跃点包含于函数m(i - 1, j)的跳跃点集p[i-1]与函数m(i, j - wi) + vi的跳跃点集q[i]的并集中。易知(s, t)∈q[i]当且仅当wi≤s≤M且(s - wi, t - vi)∈p[i]。因此，容易由p[i]确定跳跃点集q[i]如下： q[i] = p[i]⊕(wi, vi) = { (j + wi, m(i, j) + vi) | (j, m(i, j))∈p[i] } 值得注意的是，上式中的p[i]是由p[i-1]∪q[i] 得到的。在算法实现时设定p[i]初值为{(0, 0)}，由此逐步计算q[i]以及p[i]的后续值。 另一方面，设(a, b)和(c, d)是p[i-1]∪q[i] 中的两个跳跃点，则当c≥a且d b时，(c, d)受控于(a, b)，即(c, d)不是p[i]中的跳跃点。除受控点外，p[i-1]∪q[i] 中的其他跳跃点均为p[i]的跳跃点。由此可见，在递归地由表p[i-1]计算表p[i]时，可先由初始值p[i] = {(0, 0)}逐步计算q[i]，然后合并表p[i-1]和q[i]，并清除其中的受控点得到表p[i]的后续值，如此反复。 六，算法实现 广义背包的标记函数动态规划算法实现如下： public static int kanpsack(double[] w, double[] v, double M, Good[] p) { // w[]存放各物品重量，v[]存放各物品价值，M为背包载重，p[]为跳转 表 int n = w.length - 1; // 物品总数 int right = 0; // 右指针，指向遍历区间尾部 int left = 0; // 左指针，指向遍历区间头部 int next = 1; // 节点指针，指向下一个待遍历的节点 for (int i = 1; i = n; i++) { // 遍历所有物品 int k = left; for (int j = right + 1; p[j].getWei() + w[i] = M; j++) { // 遍历当前物品的跳转表 // 对前一个跳转表中的每一个值加上当前物品的weight和value int id = i; double weight = p[j].getWei() + w[i]; double value = p[j].getVal() + v[i]; while (k = right p[k].getWei() weight) { // 在介于p[k]到p[k]+w[i]之间的位置填入前一个跳转表中 的数值 p[next].setId(p[k].getId()); p[next].setWei(p[k].getWei()); p[next++].setVal(