🧑💻 文章作者:Iareges
🔗 博客主页:https://blog.csdn.net/raelum
⚠️ 转载请注明出处
目录
- 前言
- 一、01背包
- 1.1 使用滚动数组优化
- 二、完全背包
- 2.1 使用滚动数组优化
- 三、多重背包
- 3.1 使用二进制优化
- 四、分组背包
- 总结
前言
本文主要介绍常见的四种背包问题,思维导图如下:
一、01背包
💡 现有 N N N 件物品和一个最多能承重 M M M 的背包,第 i i i 件物品的重量是 w i w_i wi,价值是 v i v_i vi。在背包能承受的范围内,试问将哪些物品装入背包后可使总价值最大,求这个最大价值。
因为每件物品只有选与不选两种状态,所以该问题又称01背包问题。
设 d p [ i ] [ j ] dp[i][j] dp[i][j] 的含义是:在背包承重为 j j j 的前提下,从前 i i i 个物品中选能够得到的最大价值。不难发现 d p [ N ] [ M ] dp[N][M] dp[N][M] 就是本题的答案。
如何计算 d p [ i ] [ j ] dp[i][j] dp[i][j] 呢?我们可以将它划分为以下两部分:
- 选第 i i i 个物品:由于第 i i i 个物品一定会被选择,那么相当于从前 i − 1 i-1 i−1 个物品中选且总重量不超过 j − w [ i ] j-w[i] j−w[i],对应 d p [ i − 1 ] [ j − w [ i ] ] + v [ i ] dp[i-1][j-w[i]]+v[i] dp[i−1][j−w[i]]+v[i]。
- 不选第 i i i 个物品:意味着从前 i − 1 i-1 i−1 个物品中选且总重量不超过 j j j,对应 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j]。
结合以上两点可得递推公式:
d p [ i ] [ j ] = max ( d p [ i − 1 ] [ j ] , d p [ i − 1 ] [ j − w [ i ] ] + v [ i ] ) dp[i][j] = \max(dp[i-1][j],\;dp[i-1][j-w[i]]+v[i]) dp[i][j]=max(dp[i−1][j],dp[i−1][j−w[i]]+v[i])
由于下标不能是负数,所以上述递推公式要求 j ≥ w [ i ] j\geq w[i] j≥w[i]。当 j < w [ i ] j<w[i] j<w[i] 时,意味着第 i i i 个物品无法装进背包,此时 d p [ i ] [ j ] = d p [ i − 1 ] [ j ] dp[i][j]=dp[i-1][j] dp[i][j]=dp[i−1][j]。综合以上可得出:
d p [ i ] [ j ] = { d p [ i − 1 ] [ j ] , j < w [ i ] max ( d p [ i − 1 ] [ j ] , d p [ i − 1 ] [ j − w [ i ] ] + v [ i ] ) , j ≥ w [ i ] dp[i][j]= \begin{cases} dp[i-1][j],&j<w[i] \\ \max(dp[i-1][j],\;dp[i-1][j-w[i]]+v[i]),&j\geq w[i] \end{cases} dp[i][j]={dp[i−1][j],max(dp[i−1][j],dp[i−1][j−w[i]]+v[i]),j<w[i]j≥w[i]
d p dp dp 数组应当如何初始化呢?当背包承重为 0 0 0 时,显然装不下任何物品,所以 d p [ i ] [ 0 ] = 0 ( 1 ≤ i ≤ N ) dp[i][0]=0\;(1\leq i\leq N) dp[i][0]=0(1≤i≤N)。若一个物品也不选(即从前 0 0 0 个物品中选),此时最大价值也是 0 0 0,所以 d p [ 0 ] [ j ] = 0 ( 0 ≤ j ≤ M ) dp[0][j]=0\;(0\leq j\leq M) dp[0][j]=0(0≤j≤M)。由此可知, d p dp dp 数组应当全0初始化,即声明为全局变量。
题目链接:AcWing 2. 01背包问题
#include <bits/stdc++.h>
using namespace std;
const int N = 1010;
int w[N], v[N];
int dp[N][N];
int main() {
ios::sync_with_stdio(false);
cin.tie(nullptr);
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i++) cin >> w[i] >> v[i];
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
if (j < w[i]) dp[i][j] = dp[i - 1][j];
else dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i]);
}
}
cout << dp[n][m] << "\n";
return 0;
}
时间复杂度为 O ( n m ) O(nm) O(nm)。
1.1 使用滚动数组优化
之前我们用到的 d p dp dp 数组是二维数组,它可以进一步优化成一维数组。
观察递推公式不难发现, d p dp dp 数组中第 i i i 行的元素仅由第 i − 1 i-1 i−1 行的元素得来,即第 0 0 0 行元素的更新值放到第 1 1 1 行,第 1 1 1 行元素的更新值放到第 2 2 2 行,以此类推。与其把一行的更新值放到新的一行,不如直接就地更新,因此我们的 d p dp dp 数组只需要一行来存储,即一维数组。
去掉 d p dp dp 数组的第一维后,递推公式变成:
d p [ j ] = { d p [ j ] , j < w [ i ] max ( d p [ j ] , d p [ j − w [ i ] ] + v [ i ] ) , j ≥ w [ i ] dp[j]= \begin{cases} dp[j],&j<w[i] \\ \max(dp[j],\;dp[j-w[i]]+v[i]),&j\geq w[i] \end{cases} dp[j]={dp[j],max(dp[j],dp[j−w[i]]+v[i]),j<w[i]j≥w[i]
即
d p [ j ] = max ( d p [ j ] , d p [ j − w [ i ] ] + v [ i ] ) , j ≥ w [ i ] dp[j]= \max(dp[j],\;dp[j-w[i]]+v[i]),\quad j\geq w[i] dp[j]=max(dp[j],dp[j−w[i]]+v[i]),j≥w[i]
原先 j j j 是从 1 1 1 遍历至 m m m 的,现在只需从 w [ i ] w[i] w[i] 遍历至 m m m。但,这个遍历顺序真的对吗?
请看下图:
红色箭头表示,在二维数组中, d p [ i ] [ j ] dp[i][j] dp[i][j] 由 d p [ i − 1 ] [ j − w [ i ] ] dp[i-1][j-w[i]] dp[i−1][j−w[i]] 和 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 得来, d p [ i ] [ j + w [ i ] ] dp[i][j+w[i]] dp[i][j+w[i]] 由 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 和 d p [ i − 1 ] [ j + w [ i ] ] dp[i-1][j+w[i]] dp[i−1][j+w[i]] 得来。用一维数组的话来讲就是,第 i i i 行的 d p [ j ] dp[j] dp[j] 由第 i − 1 i-1 i−1 行的 d p [ j − w [ i ] ] dp[j-w[i]] dp[j−w[i]] 和 d p [ j ] dp[j] dp[j] 得来,第 i i i 行的 d p [ j + w [ i ] ] dp[j+w[i]] dp[j+w[i]] 由第 i − 1 i-1 i−1 行的 d p [ j ] dp[j] dp[j] 和 d p [ j + w [ i ] ] dp[j+w[i]] dp[j+w[i]] 得来。
如果 j j j 从小到大遍历,那么会先更新 d p [ j ] dp[j] dp[j] 再更新 d p [ j + w [ i ] ] dp[j+w[i]] dp[j+w[i]],这就导致在更新 d p [ j + w [ i ] ] dp[j+w[i]] dp[j+w[i]] 时使用的是第 i i i 行的 d p [ j ] dp[j] dp[j] 而非第 i − 1 i-1 i−1 行的 d p [ j ] dp[j] dp[j],即当 j j j 从小到大遍历时,二维数组的递推式变成了:
d p [ i ] [ j ] = { d p [ i − 1 ] [ j ] , j < w [ i ] max ( d p [ i − 1 ] [ j ] , d p [ i ] [ j − w [ i ] ] + v [ i ] ) , j ≥ w [ i ] dp[i][j]= \begin{cases} dp[i-1][j],&j<w[i] \\ \max(dp[i-1][j],\;dp[i][j-w[i]]+v[i]),&j\geq w[i] \end{cases} dp[i][j]={dp[i−1][j],max(dp[i−1][j],dp[i][j−w[i]]+v[i]),j<w[i]j≥w[i]
⚠️ 请牢记该式,后续讲解完全背包时会提到它。
这显然是错误的。事实上,让 j j j 从大到小遍历就不会出现这个问题。
#include <bits/stdc++.h>
using namespace std;
const int N = 1010;
int w[N], v[N];
int dp[N];
int main() {
ios::sync_with_stdio(false);
cin.tie(nullptr);
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i++) cin >> w[i] >> v[i];
for (int i = 1; i <= n; i++)
for (int j = m; j >= w[i]; j--)
dp[j] = max(dp[j], dp[j - w[i]] + v[i]);
cout << dp[m] << "\n";
return 0;
}
当然, w w w 数组和 v v v 数组也是不必要的,我们可以边输入边处理,因此可以得到01背包问题的最终版代码:
#include <bits/stdc++.h>
using namespace std;
const int N = 1010;
int dp[N];
int main() {
ios::sync_with_stdio(false);
cin.tie(nullptr);
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i++) {
int w, v;
cin >> w >> v;
for (int j = m; j >= w; j--)
dp[j] = max(dp[j], dp[j - w] + v);
}
cout << dp[m] << "\n";
return 0;
}
到此为止,可以总结出,当 d p dp dp 数组是二维数组时, j j j 既可以从小到大遍历也可以从大到小遍历,但当 d p dp dp 数组是一维数组时, j j j 只能从大到小遍历。
二、完全背包
💡 现有 N N N 种物品和一个最多能承重 M M M 的背包,每种物品都有无限个,第 i i i 种物品的重量是 w i w_i wi,价值是 v i v_i vi。在背包能承受的范围内,试问将哪些物品装入背包后可使总价值最大,求这个最大价值。
设 d p [ i ] [ j ] dp[i][j] dp[i][j] 的含义是:在背包承重为 j j j 的前提下,从前 i i i 种物品中选能够得到的最大价值。
如何计算 d p [ i ] [ j ] dp[i][j] dp[i][j] 呢?我们可以将它划分为以下若干部分:
- 选 0 0 0 个第 i i i 种物品:相当于不选第 i i i 种物品,对应 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j]。
- 选 1 1 1 个第 i i i 种物品:对应 d p [ i − 1 ] [ j − w [ i ] ] + v [ i ] dp[i-1][j-w[i]]+v[i] dp[i−1][j−w[i]]+v[i]。
- 选 2 2 2 个第 i i i 种物品:对应 d p [ i − 1 ] [ j − 2 ⋅ w [ i ] ] + 2 ⋅ v [ i ] dp[i-1][j-2\cdot w[i]]+2\cdot v[i] dp[i−1][j−2⋅w[i]]+2⋅v[i]。
- ⋯ \cdots ⋯
上述过程并不会无限进行下去,因为背包承重是有限的。设第 i i i 种物品最多能选 t t t 个,于是可知 t = ⌊ j w [ i ] ⌋ t=\lfloor \frac{j}{w[i]}\rfloor t=⌊w[i]j⌋,从而得到递推式:
d p [ i ] [ j ] = max 0 ≤ k ≤ t d p [ i − 1 ] [ j − k ⋅ w [ i ] ] + k ⋅ v [ i ] dp[i][j]=\max_{0\leq k\leq t} dp[i-1][j-k\cdot w[i]]+k\cdot v[i] dp[i][j]=0≤k≤tmaxdp[i−1][j−k⋅w[i]]+k⋅v[i]
题目链接:AcWing 3. 完全背包问题
#include <bits/stdc++.h>
using namespace std;
const int N = 1010;
int w[N], v[N];
int dp[N][N];
int main() {
ios::sync_with_stdio(false);
cin.tie(nullptr);
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i++) cin >> w[i] >> v[i];
for (int i = 1; i <= n; i++)
for (int j = 1; j <= m; j++) {
int t = j / w[i];
for (int k = 0; k <= t; k++)
dp[i][j] = max(dp[i][j], dp[i - 1][j - k * w[i]] + k * v[i]);
}
cout << dp[n][m] << "\n";
return 0;
}
若将 t t t 的值改为 min ( 1 , j / w [ i ] ) \min(1,\,j/w[i]) min(1,j/w[i]),则完全背包将退化为01背包。
上述代码的时间复杂度为 O ( m 2 ∑ i w i − 1 ) ≈ O ( m 2 n ) O(m^2\sum_iw_i^{-1})\approx O(m^2n) O(m2∑iwi−1)≈O(m2n),TLE是必然的。
2.1 使用滚动数组优化
考虑 d p [ i ] [ j ] dp[i][j] dp[i][j],此时第 i i i 种物品最多能选 t 1 = ⌊ j w [ i ] ⌋ t_1=\lfloor \frac{j}{w[i]} \rfloor t1=⌊w[i]j⌋ 个,将递推式展开:
d p [ i ] [ j ] = max ( d p [ i − 1 ] [ j ] , d p [ i − 1 ] [ j − w [ i ] ] + v [ i ] , d p [ i − 1 ] [ j − 2 ⋅ w [ i ] ] + 2 ⋅ v [ i ] , ⋮ d p [ i − 1 ] [ j − t 1 ⋅ w [ i ] ] + t 1 ⋅ v [ i ] ) \begin{aligned} dp[i][j] = \max(dp[i-1][j],\; &dp[i-1][j-w[i]]+v[i], \\ &dp[i-1][j-2\cdot w[i]]+2\cdot v[i], \\ &\vdots \\ &dp[i-1][j-t_1\cdot w[i]]+t_1\cdot v[i]) \end{aligned} dp[i][j]=max(dp[i−1][j],dp[i−1][j−w[i]]+v[i],dp[i−1][j−2⋅w[i]]+2⋅v[i],⋮dp[i−1][j−t1⋅w[i]]+t1⋅v[i])
下面考虑 d p [ i ] [ j − w [ i ] ] dp[i][j-w[i]] dp[i][j−w[i]],此时第 i i i 种物品最多能选 t 2 = ⌊ j − w [ i ] w [ i ] ⌋ = ⌊ j w [ i ] − 1 ⌋ = t 1 − 1 t_2=\lfloor \frac{j-w[i]}{w[i]} \rfloor=\lfloor \frac{j}{w[i]}-1\rfloor=t_1-1 t2=⌊w[i]j−w[i]⌋=⌊w[i]j−1⌋=t1−1 个,相应的递推式为
d p [ i ] [ j − w [ i ] ] = max ( d p [ i − 1 ] [ j − w [ i ] ] , d p [ i − 1 ] [ j − w [ i ] − w [ i ] ] + v [ i ] , d p [ i − 1 ] [ j − w [ i ] − 2 ⋅ w [ i ] ] + 2 ⋅ v [ i ] , ⋮ d p [ i − 1 ] [ j − w [ i ] − t 2 ⋅ w [ i ] ] + t 2 ⋅ v [ i ] ) \begin{aligned} dp[i][j-w[i]] = \max(dp[i-1][j-w[i]],\; &dp[i-1][j-w[i]-w[i]]+v[i], \\ &dp[i-1][j-w[i]-2\cdot w[i]]+2\cdot v[i], \\ &\vdots \\ &dp[i-1][j-w[i]-t_2\cdot w[i]]+t_2\cdot v[i]) \end{aligned} dp[i][j−w[i]]=max(dp[i−1][j−w[i]],dp[i−1][j−w[i]−w[i]]+v[i],dp[i−1][j−w[i]−2⋅w[i]]+2⋅v[i],⋮dp[i−1][j−w[i]−t2⋅w[i]]+t2⋅v[i])
又注意到 t 1 = t 2 + 1 t_1=t_2+1 t1=t2+1,上式可化简为
d p [ i ] [ j − w [ i ] ] = max ( d p [ i − 1 ] [ j − w [ i ] ] , d p [ i − 1 ] [ j − 2 ⋅ w [ i ] ] + v [ i ] , d p [ i − 1 ] [ j − 3 ⋅ w [ i ] ] + 2 ⋅ v [ i ] , ⋮ d p [ i − 1 ] [ j − t 1 ⋅ w [ i ] ] + ( t 1 − 1 ) ⋅ v [ i ] ) \begin{aligned} dp[i][j-w[i]] = \max(dp[i-1][j-w[i]],\; &dp[i-1][j-2\cdot w[i]]+v[i], \\ &dp[i-1][j-3\cdot w[i]]+2\cdot v[i], \\ &\vdots \\ &dp[i-1][j-t_1\cdot w[i]]+(t_1-1)\cdot v[i]) \end{aligned} dp[i][j−w[i]]=max(dp[i−1][j−w[i]],dp[i−1][j−2⋅w[i]]+v[i],dp[i−1][j−3⋅w[i]]+2⋅v[i],⋮dp[i−1][j−t1⋅w[i]]+(t1−1)⋅v[i])
将该式与 d p [ i ] [ j ] dp[i][j] dp[i][j] 的递推式比较不难发现
d p [ i ] [ j ] = max ( d p [ i − 1 ] [ j ] , d p [ i ] [ j − w [ i ] ] + v [ i ] ) dp[i][j]=\max(dp[i-1][j],\;dp[i][j-w[i]]+v[i]) dp[i][j]=max(dp[i−1][j],dp[i][j−w[i]]+v[i])
根据1.1节中的结论,该式对应的是 j j j 从小到大遍历,于是我们只需把01背包问题的代码中的 j j j 改为从小到大遍历即可。
#include <bits/stdc++.h>
using namespace std;
const int N = 1010;
int dp[N];
int main() {
ios::sync_with_stdio(false);
cin.tie(nullptr);
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i++) {
int w, v;
cin >> w >> v;
for (int j = w; j <= m; j++) // 只需修改这一行
dp[j] = max(dp[j], dp[j - w] + v);
}
cout << dp[m] << "\n";
return 0;
}
优化后的时间复杂度为 O ( n m ) O(nm) O(nm)。
三、多重背包
💡 现有 N N N 种物品和一个最多能承重 M M M 的背包,第 i i i 种物品的数量是 s i s_i si,重量是 w i w_i wi,价值是 v i v_i vi。在背包能承受的范围内,试问将哪些物品装入背包后可使总价值最大,求这个最大价值。
回顾完全背包问题的暴力解法,在背包承重为 j j j 的前提下,第 i i i 种物品最多能放 t = j / w [ i ] t=j/w[i] t=j/w[i] 个(这里是整除)。而在01背包问题中,第 i i i 种物品只有一个,所以应当取 t = min ( 1 , j / w [ i ] ) t=\min(1,\,j/w[i]) t=min(1,j/w[i])。由此可见,对于多重背包问题,只需取 t = min ( s [ i ] , j / w [ i ] ) t=\min(s[i],\,j/w[i]) t=min(s[i],j/w[i])。
对完全背包问题的暴力解法做一点简单修改即可求解多重背包问题。
题目链接:AcWing 4. 多重背包问题
#include <bits/stdc++.h>
using namespace std;
const int N = 110;
int dp[N][N];
int main() {
ios::sync_with_stdio(false);
cin.tie(nullptr);
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i++) {
int w, v, s;
cin >> w >> v >> s;
for (int j = 1; j <= m; j++) {
int t = min(s, j / w); // 只有这里需要修改
for (int k = 0; k <= t; k++)
dp[i][j] = max(dp[i][j], dp[i - 1][j - k * w] + k * v);
}
}
cout << dp[n][m] << "\n";
return 0;
}
时间复杂度为 O ( m ∑ i s i ) O(m\sum_i s_i) O(m∑isi),但还可以进一步优化。
3.1 使用二进制优化
从时间复杂度的表达式可以看出, O ( m ) O(m) O(m) 的部分已经无法再优化了,我们只能从 O ( ∑ i s i ) O(\sum_i s_i) O(∑isi) 入手。
先来看一个例子。水果店里有 40 40 40 个苹果,小明计划购买 n ( 1 ≤ n ≤ 40 ) n\,(1\leq n\leq 40) n(1≤n≤40) 个苹果,试问如何让小明尽可能快速地完成购买?一个显而易见的暴力做法是,让小明一个个拿(单位是个),但效率过于低下。事实上,店员可事先准备好 6 6 6 个箱子,每个箱子中的苹果数量分别为 [ 1 , 2 , 4 , 8 , 16 , 9 ] [1,2,4,8,16,9] [1,2,4,8,16,9],再让小明按箱子拿(单位是箱子),无论小明计划购买多少个,他最多只需要拿 6 6 6 次,而在暴力做法中,小明最多需要拿 40 40 40 次。
下面用数学语言来描述上面的例子。对于任意的正整数 s s s,我们都可以找到 ⌊ log 2 s ⌋ + 1 ≜ k \lfloor \log_2 s\rfloor+1\triangleq k ⌊log2s⌋+1≜k 个正整数 a 1 , ⋯ , a k a_1,\cdots,a_k a1,⋯,ak,使得 ∀ n ∈ [ 0 , s ] \forall\, n\in[0,s] ∀n∈[0,s],都有
n = v T a , a = ( a 1 , ⋯ , a k ) T , a i = { 2 i − 1 , 1 ≤ i ≤ k − 1 s − 2 k − 1 + 1 ( ∈ [ 1 , 2 k − 1 ] ) , i = k n=v^\mathrm{T}a,\quad a=(a_1,\cdots,a_k)^\mathrm{T},\quad a_i= \begin{cases} 2^{i-1},&1\leq i\leq k -1\\ s-2^{k-1}+1\,(\in [1,\,2^{k-1}]),&i=k\\ \end{cases} n=vTa,a=(a1,⋯,ak)T,ai={2i−1,s−2k−1+1(∈[1,2k−1]),1≤i≤k−1i=k
其中 v = ( v 1 , ⋯ , v k ) T v=(v_1,\cdots,v_k)^\mathrm{T} v=(v1,⋯,vk)T,且其分量非 0 0 0 即 1 1 1。
感兴趣的读者可自行证明,这里不再赘述。回到本题,先不考虑背包的承重,我们在暴力求解多重背包的时候,对于每种物品 i i i,都要从 0 0 0 逐个枚举至 s [ i ] s[i] s[i],效率无疑是低下的。现在,对于每种物品 i i i,我们将这 s [ i ] s[i] s[i] 个物品分散至 ⌊ log 2 s [ i ] ⌋ + 1 \lfloor \log_2 s[i]\rfloor+1 ⌊log2s[i]⌋+1 个「箱子」中,于是多重背包便化成了01背包。
题目链接:AcWing 5. 多重背包问题 II
多重背包问题中的一个「箱子」相当于01背包问题中的一件「物品」,因此我们需要估计出多重背包问题中到底有多少个箱子。显然箱子总数为
N = ∑ i = 1 n ( ⌊ log 2 s [ i ] ⌋ + 1 ) ≤ ∑ i = 1 n ⌊ log 2 2000 ⌋ + n = 11 n ≤ 11000 N=\sum_{i=1}^n(\lfloor \log_2 s[i]\rfloor+1)\leq \sum_{i=1}^n \lfloor \log_2 2000\rfloor+n=11n\leq 11000 N=i=1∑n(⌊log2s[i]⌋+1)≤i=1∑n⌊log22000⌋+n=11n≤11000
#include <bits/stdc++.h>
using namespace std;
const int N = 11010, M = 2010;
int w[N], v[N];
int dp[M];
int main() {
ios::sync_with_stdio(false);
cin.tie(nullptr);
int n, m;
cin >> n >> m;
int cnt = 0;
while (n--) {
int a, b, s; // a是重量, b是价值, c是数量
cin >> a >> b >> s;
for (int k = 1; k <= s; k *= 2) {
cnt++;
w[cnt] = a * k, v[cnt] = b * k;
s -= k;
}
if (s > 0) {
cnt++;
w[cnt] = a * s, v[cnt] = b * s;
}
}
n = cnt;
for (int i = 1; i <= n; i++)
for (int j = m; j >= w[i]; j--)
dp[j] = max(dp[j], dp[j - w[i]] + v[i]);
cout << dp[m] << "\n";
return 0;
}
优化后的时间复杂度为 O ( m ∑ i log s i ) O(m\sum_i \log s_i) O(m∑ilogsi)。
四、分组背包
💡 现有 N N N 组物品和一个最多能承重 M M M 的背包,每组物品有若干个,同一组内的物品最多只能选一个。每件物品的重量是 w i j w_{ij} wij,价值是 v i j v_{ij} vij,其中 i i i 是组号, j j j 是组内编号。在背包能承受的范围内,试问将哪些物品装入背包后可使总价值最大,求这个最大价值。
设 d p [ i ] [ j ] dp[i][j] dp[i][j] 的含义是:在背包承重为 j j j 的前提下,从前 i i i 组物品中选能够得到的最大价值。
如何计算 d p [ i ] [ j ] dp[i][j] dp[i][j] 呢?我们可以将它划分为以下若干部分:
- 不选第 i i i 组的物品:对应 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j]。
- 选第 i i i 组的第 1 1 1 个物品:对应 d p [ i − 1 ] [ j − w [ i ] [ 1 ] ] + v [ i ] [ 1 ] dp[i-1][j-w[i][1]]+v[i][1] dp[i−1][j−w[i][1]]+v[i][1]。
- 选第 i i i 组的第 2 2 2 个物品:对应 d p [ i − 1 ] [ j − w [ i ] [ 2 ] ] + v [ i ] [ 2 ] dp[i-1][j-w[i][2]]+v[i][2] dp[i−1][j−w[i][2]]+v[i][2]。
- ⋯ \cdots ⋯
- 选第 i i i 组的第 s [ i ] s[i] s[i] 个物品:对应 d p [ i − 1 ] [ j − w [ i ] [ s [ i ] ] ] + v [ i ] [ s [ i ] ] dp[i-1][j-w[i][s[i]]]+v[i][s[i]] dp[i−1][j−w[i][s[i]]]+v[i][s[i]]。
直接将 d p dp dp 数组优化到一维可得递推式:
d p [ j ] = max ( d p [ j ] , max 1 ≤ k ≤ s [ i ] d p [ j − w [ i ] [ k ] ] + v [ i ] [ k ] ) dp[j]=\max(dp[j],\;\max_{1\leq k\le s[i]} dp[j-w[i][k]]+v[i][k]) dp[j]=max(dp[j],1≤k≤s[i]maxdp[j−w[i][k]]+v[i][k])
题目链接:AcWing 9. 分组背包问题
#include <bits/stdc++.h>
using namespace std;
const int N = 110;
int w[N][N], v[N][N], s[N];
int dp[N];
int main() {
ios::sync_with_stdio(false);
cin.tie(nullptr);
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i++) {
cin >> s[i];
for (int j = 1; j <= s[i]; j++)
cin >> w[i][j] >> v[i][j];
}
for (int i = 1; i <= n; i++)
for (int j = m; j >= 1; j--)
for (int k = 1; k <= s[i]; k++)
if (j >= w[i][k])
dp[j] = max(dp[j], dp[j - w[i][k]] + v[i][k]);
cout << dp[m] << "\n";
return 0;
}
总结
我们可以用一个公式来表示01背包、完全背包和多重背包:
d p [ i ] [ j ] = max 0 ≤ k ≤ t d p [ i − 1 ] [ j − k ⋅ w [ i ] ] + k ⋅ v [ i ] , t = { min ( 1 , j / w [ i ] ) , 01 背包 min ( + ∞ , j / w [ i ] ) = j / w [ i ] , 完全背包 min ( s [ i ] , j / w [ i ] ) , 多重背包 dp[i][j]=\max_{0\leq k\leq t} dp[i-1][j-k\cdot w[i]]+k\cdot v[i],\quad t=\begin{cases} \min(1,\;j/w[i]),&01背包\\ \min(+\infty,\;j/w[i])=j/w[i],&完全背包 \\ \min(s[i],\;j/w[i]),&多重背包 \end{cases} dp[i][j]=0≤k≤tmaxdp[i−1][j−k⋅w[i]]+k⋅v[i],t=⎩ ⎨ ⎧min(1,j/w[i]),min(+∞,j/w[i])=j/w[i],min(s[i],j/w[i]),01背包完全背包多重背包