介绍
给定 n 种物品和一个容量为 C 的背包,物品 i 的重量是 ,其价值为
问:应该如何选择装入背包的物品,使得装入背包中的物品的总价值最大?
背包问题是具有许多应用的组合优化问题
背包问题
在背包问题中,我们有一组物品。每个物品都有重量和价值:
背包算法示例.png我们想将这些物品放入背包。但是,它有一个重量限制:
未命名文件 (2).png因此,我们需要选择总重量不超过重量限制的物品,并且其总价值达到最高。 例如,上述示例的最佳解决方案是选择5kg和6kg物品,它们在重量限制内的最大值为40元
。
背包问题有几种变化,我们将重点介绍0-1背包问题。在0-1背包问题中,必须选择每个物品或将其留在后面。我们不能取一部分物品。另外,我们不能多次取一件物品。
数学公式
现在让我们以数学符号形式化0-1背包问题。给定一组n个物品和重量限制W,我们可以将优化问题定义为:
公式这个问题是NP完全难题。因此,目前尚无多项式时间算法可以解决。但是,对于此问题,可以使用动态规划算法思路来解决。
递归算法
使用递归公式来解决此问题:
递归算法在该公式中, 是重量限制为w的n个物品的最优解。它是以下两个值中的最大值:
重量限制为w的(n-1)个物品的最优解(不包括第n个项目)
第n个物品的值加上(n-1)个物品的最优解和w减去第n个物品的权重(包括第n个物品)
如果第n项的重量大于当前的重量限制,则不包括在内。因此,它属于上述两种情况的第一类。
Java中实现此递归公式代码:
image.png在每个递归步骤中,我们需要评估两次最优解决逻辑,因此,此递归解决方案的运行时间为O()。
动态规划算法
动态规划思路是一种用于线性化,指数级递增的编程算法的思路,这个思路是存储子问题的结果,这样我们以后就不必重新计算它们了。
我们还可以通过动态规划解决0-1背包问题。要使用动态规划中,我们使用自下而上的方法来计算最佳解决方案:
/**
* @param w : 已知物品重量数组集合
* @param v : 已知物品价值数组集合
* @param n : 最大价值,0 表示不要求
* @param W : 最大重量,0 表示不要求
* @author 油腻的Java
* @date 2019/11/5
* @return
*/
public int knapsackDP(int[] w, int[] v, int n, int W) {
if (n <= 0 || W <= 0) {
return 0;
}
/**
* 创建临时数组
*/
int[][] m = new int[n + 1][W + 1];
for (int j = 0; j <= W; j++) {
m[0][j] = 0;
}
/**
* 遍历n和W,
*/
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= W; j++) {
if (w[i - 1] > j) {
//对m数组进行赋值
m[i][j] = m[i - 1][j];
} else {
//求最大值
m[i][j] = Math.max(m[i - 1][j], m[i - 1][j - w[i - 1]] + v[i - 1]);
}
}
}
return m[n][W];
}
在代码中,我们在商品价值n和重量限制W上有一个嵌套循环。因此,它的运行时间为O(nW)。
单元测试
最后针对各自的场景做了一下单元测试
同时满足价格,重量最大化
image.png最大重量最优解
image.png最大价格最优解
image.png结论
本文通过编写递归算法、动态规划算法来解决背包0-1问题,以及测试相应的单元测试,希望在背包算法对你有新的认知。
网友评论