动态规划01背包问题

算法分析与设计实验报告

第3次实验

姓名 学号 班级

时间 11.14下午 地点 四合院

实验名称

动态规划法求解背包问题

实验目的 通过上机实验，要求掌握动态规划算法的问题描述、算法设计思想、程序设计。

利用动态规划算法求解背包问题，并计算出程序运行所需要的时间。

实验原理 给定几组数据，利用动态规划算法的思想，把0-1 背包装满并使得其价值最大。

实验步骤

① 把问题分解成若干个子问题，如背包仅可以容纳 1 个物品且可以容纳的质量为一等。

② 依次求出各个子问题的最优解。

③ 每个子问题的最优解又可以从它的子问题的最优解中得到。

④ 通过各个子问题的最优解得到原问题的最优解。

关键代码 void KnapSack(int n,int w[],int v[],int x[],int C)

{

int i,j;

int jMax=min(w[n]-1,C);

for(j=0;j<=jMax;j++)

mV[n][j]=0;

for(j=w[n];j<=C;j++)

mV[n][j]=v[n];

for(i=n-1;i>1;i--)

{

jMax=min(w[n]-1,C);

for(j=0;j<=jMax;j++)

mV[i][j]=mV[i+1][j];

for(j=w[i];j<=C;j++)

mV[i][j]=max(mV[i+1][j],mV[i+1][j-w[i]]+v[i]);

}

mV[1][C]=mV[2][C];

if(C>=w[1])

mV[i][j]=max(mV[1][C],mV[2][C-w[1]]+v[1]);

0-1背包动态规划解决问题

一、问题描述：

有n个物品，它们有各自的重量和价值，现有给定容量的背包，如何让背包里装入的物品具有最大的价值总和？

二、总体思路：

根据动态规划解题步骤（问题抽象化、建立模型、寻找约束条件、判断是否满足最优性原理、找大问题与小问题的递推关系式、填表、寻找解组成）找出01背包问题的最优解以及解组成，然后编写代码实现。

三、动态规划的原理及过程：

number＝4，capacity＝7

i 1 2 3 4

w(重量) 3 5 2 1

v(价值) 9 10 7 4

原理：

动态规划与分治法类似，都是把大问题拆分成小问题，通过寻找大问题与小问题的递推关系，解决一个个小问题，最终达到解决原问题的效果。但不同的是，分治法在子问题和子子问题等上被重复计算了很多次，而动态规划则具有记忆性，通过填写表把所有已经解决的子问题答案纪录下来，在新问题里需要用到的子问题可以直接提取，避免了重复计算，从而节约了时间，所以在问题满足最优性原理之后，用动态规划解决问题的核心就在于填表，表填写完毕，最优解也就找到。

过程：

a) 把背包问题抽象化（X1，X2，…，Xn，其中 Xi 取0或1，表示第 i 个物品选或不选），Vi表示第 i 个物品的价值，Wi表示第 i 个物品的体积（重量）；

b) 建立模型，即求max(V1X1+V2X2+…+VnXn)；

c) 约束条件，W1X1+W2X2+…+WnXn

d) 定义V(i,j)：当前背包容量 j，前 i 个物品最佳组合对应的价值；

e) 最优性原理是动态规划的基础，最优性原理是指“多阶段决策过程的最优决策序列具有这样的性质：不论初始状态和初始决策如何，对于前面决策所造成的某一状态而言，其后各阶段的决策序列必须构成最优策略”。判断该问题是否满足最优性原理，采用反证法证明：

假设(X1，X2，…，Xn)是01背包问题的最优解，则有(X2，X3，…，Xn)是其子问题的最优解， 假设(Y2，Y3，…，Yn)是上述问题的子问题最优解，则理应有(V2Y2+V3Y3+…+VnYn)+V1X1 > (V2X2+V3X3+…+VnXn)+V1X1；

动态规划是用空间换时间的一种方法的抽象。其关键是发现子问题和记录其结果。然后利用这些结果减轻运算量。

比如01背包问题。

因为背包最大容量M未知。所以，我们的程序要从1到M一个一个的试。比如，开始任选N件物品的一个。看对应M的背包，能不能放进去，如果能放进去，并且还有多的空间，则，多出来的空间里能放N-1物品中的最大价值。怎么能保证总选择是最大价值呢？看下表。

测试数据：

10,3

3,4

4,5

5,6

c[i][j]数组保存了1,2,3号物品依次选择后的最大价值.

这个最大价值是怎么得来的呢?从背包容量为0开始,1号物品先试,0,1,2,的容量都不能放.所以置0,背包容量为3则里面放4.这样,这一排背包容量为4,5,6,....10的时候，最佳方案都是放4.假如1号物品放入背包.则再看2号物品.当背包容量为3的时候，最佳方案还是上一排的最价方案c为4.而背包容量为5的时候，则最佳方案为自己的重量5.背包容量为7的时候，很显然是5加上一个值了。加谁??很显然是7-4=3的时候.上一排c3的最佳方案是4.所以。总的最佳方案是5+4为9.这样.一排一排推下去。最右下放的数据就是最大的价值了。(注意第3排的背包容量为7的时候,最佳方案不是本身的6.而是上一排的9.说明这时候3号物品没有被选.选的是1,2号物品.所以得9.)

从以上最大价值的构造过程中可以看出。

f(n,m)=max{f(n-1,m), f(n-1,m-w[n])+P(n,m)}这就是书本上写的动态规划方程.这回清楚了吗?

下面是实际程序:

#include

int c[10][100];

int knapsack(int m,int n)

{

int i,j,w[10],p[10]; for(i=1;i

scanf("\n%d,%d",&w[i],&p[i]);

for(i=0;i<10;i++)

for(j=0;j<100;j++)

动态规划——01背包问题

⼀、最基础的动态规划之⼀

01背包问题是动态规划中最基础的问题之⼀，它的解法完美地体现了动态规划的思想和性质。

01背包问题最常见的问题形式是：给定n件物品的体积和价值，将他们尽可能地放⼊⼀个体积固定的背包，最⼤的价值可以是多少。我们可以⽤费⽤c和价值v来描述⼀件物品，再设允许的最⼤花费为w。只要n稍⼤，我们就不可能通过搜索来遍查所有组合的可能。运⽤动态规划的思想，我们把原来的问题拆分为⼦问题，⼦问题再进⼀步拆分直⾄不可再分（初始值），随后从初始值开始，尽可能地求取每⼀个⼦问题的最优解，最终就能求得原问题的解。由于不同的问题可能有相同的⼦问题，⼦问题存在⼤量重叠，我们需要额外的空间来存储已经求得的⼦问题的最优解。这样，可以⼤幅度地降低时间复杂度。

有了这样的思想，我们来看01背包问题可以怎样拆分成⼦问题：

要求解的问题是：在n件物品中最⼤花费为w能得到的最⼤价值。显然，对于0 <= i <= n,0 <= j <= w，在前i件物品中最⼤花费为j能得到的最⼤价值。

可以使⽤数组dp[n + 1][w + 1]来存储所有的⼦问题，dp[i][j]就代表从前i件物品中选出总花费不超过j时的最⼤价值。

可知dp[0][j]值⼀定为零。那么，该怎么递推求取所有⼦问题的解呢。显⽽易见，要考虑在前i件物品中拿取，⾸先要考虑前i - 1件物品中拿取的最优情况。

当我们从第i - 1件物品递推到第i件时，我们就要考虑这件物品是拿，还是不拿，怎样收益最⼤。

①：⾸先，如果j < c[i]，那第i件物品是⽆论如何拿不了的，dp[i][j] = dp[i - 1][j];

②：如果可以拿，那就要考虑拿了之后收益是否更⼤。拿这件物品需要花费c[i]，除去这c[i]的⼦问题应该是dp[i - 1][j - c[i]]，这时，就要⽐较dp[i - 1][j]和dp[i - 1][j - c[i]] + v[i]，得出最优⽅案。