实现遗传算法的0-1背包问题【精品毕业设计】(完整版)

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。

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），V i表示第i 个物品的价值，W i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<capacity；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+…+V n Yn)+V1X1 > (V2X2+V3X3+…+VnXn)+V1X1；而(V2X2+V3X3+…+VnXn)+V1X1=(V1X1+V2X2+…+VnXn)，则有(V2Y2+V3Y3+…+VnYn)+V1X1 > (V1X1+V2X2+…+VnXn)；该式子说明(X1，Y2，Y3，…，Yn)才是该01背包问题的最优解，这与最开始的假设(X1，X2，…，Xn)是01背包问题的最优解相矛盾，故01背包问题满足最优性原理；f) 寻找递推关系式，面对当前商品有两种可能性：第一，包的容量比该商品体积小，装不下，此时的价值与前i-1个的价值是一样的，即V(i,j)=V(i-1,j)；第二，还有足够的容量可以装该商品，但装了也不一定达到当前最优价值，所以在装与不装之间选择最优的一个，即V(i,j)=max｛V(i-1,j)，V(i-1,j-w(i))+v(i) ｝其中V(i-1,j)表示不装，V(i-1,j-w(i))+v(i) 表示装了第i个商品，背包容量减少w(i)但价值增加了v(i)；由此可以得出递推关系式：1) j<w(i) V(i,j)=V(i-1,j)2) j>=w(i) V(i,j)=max｛ V(i-1,j)，V(i-1,j-w(i))+v(i) ｝number＝4，capacity＝7四、构造最优解：最优解的构造可根据C列的数据来构造最优解，构造时从第一个物品开始。

实验五：0/1背包问题的回溯算法设计实验目的：0/1背包问题的回溯算法设计实验原理：回溯算法设计。

实验要求：基本掌握回溯算法设计的原理方法。

熟练掌握VC++中编程实现算法的常用技术和方法。

算法思想: 0-1背包问题:给定n种物品和一背包.物品i的重量是wi, 其价值为ui,背包的容量为C. 问如何选择装入背包的物品,使得装入背包中物品的总价值最大?分析:0-1背包是子集合选取问题,一般情况下0-1背包是个NP问题.第一步确定解空间：装入哪几种物品第二步确定易于搜索的解空间结构：可以用数组p,w分别表示各个物品价值和重量。

用数组x记录，是否选种物品第三步以深度优先的方式搜索解空间，并在搜索的过程中剪枝要求：（1）使用C++或TC2.0（2）上机前要有源代码或流程图。

#include<iostream>using namespace std;class Knap{friend int Knapsack(int p[],int w[],int c,int n );public:void print(){for(int m=1;m<=n;m++){cout<<bestx[m]<<" ";}cout<<endl;};private:int Bound(int i);void Backtrack(int i);int c;//背包容量int n; //物品数int *w;//物品重量数组int *p;//物品价值数组int cw;//当前重量int cp;//当前价值int bestp;//当前最优值int *bestx;//当前最优解int *x;//当前解};int Knap::Bound(int i){//计算上界int cleft=c-cw;//剩余容量int b=cp;//以物品单位重量价值递减序装入物品while(i<=n&&w[i]<=cleft){cleft-=w[i];b+=p[i];i++;}//装满背包if(i<=n)b+=p[i]/w[i]*cleft; return b;}void Knap::Backtrack(int i) {if(i>n){if(bestp<cp){for(int j=1;j<=n;j++)bestx[j]=x[j];bestp=cp;}return;}if(cw+w[i]<=c) //搜索左子树{x[i]=1;cw+=w[i];cp+=p[i];Backtrack(i+1);cw-=w[i];cp-=p[i];}if(Bound(i+1)>bestp)//搜索右子树{x[i]=0;Backtrack(i+1);}}class Object{friend int Knapsack(int p[],int w[],int c,int n); public:int operator<=(Object a)const{return (d>=a.d);}private:int ID;float d;};int Knapsack(int p[],int w[],int c,int n){//为Knap::Backtrack初始化int W=0;int P=0;int i=1;Object *Q=new Object[n];for(i=1;i<=n;i++){Q[i-1].ID=i;Q[i-1].d=1.0*p[i]/w[i]; P+=p[i];W+=w[i];}if(W<=c)return P;//装入所有物品//依物品单位重量排序float f;for( i=0;i<n;i++)for(int j=i;j<n;j++) {if(Q[i].d<Q[j].d){f=Q[i].d;Q[i].d=Q[j].d;Q[j].d=f;}}Knap K;K.p = new int[n+1];K.w = new int[n+1]; K.x = new int[n+1]; K.bestx = new int[n+1]; K.x[0]=0;K.bestx[0]=0;for( i=1;i<=n;i++){K.p[i]=p[Q[i-1].ID]; K.w[i]=w[Q[i-1].ID]; }K.cp=0;K.cw=0;K.c=c;K.n=n;K.bestp=0;//回溯搜索K.Backtrack(1);K.print();delete [] Q;delete [] K.w;delete [] K.p;return K.bestp;}void main(){int *p;int *w;int c=0;int n=0;int i=0;cout<<"请输入背包容量(c)：";cin>>c;cout<<"\n请输入物品的个数(n)：";cin>>n;p=new int[n+1];w=new int[n+1];p[0]=0;w[0]=0;cout<<"\n*****物品的价值(p)和重量(w)数据如下*****\n"<<endl; for(i=1;i<=n;i++) {cout<<"请输入第"<<i<<"个物品的价值(p)和重量(w):";cin>>p[i]>>w[i];}cout<<"最优解为(bestx)："<<endl; cout<<"最优值为(bestp)："<<endl; cout<<Knapsack(p,w,c,n)<<endl; }。

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。

动态规划——背包问题python实现（01背包、完全背包、多重背包）参考：⽬录描述：有N件物品和⼀个容量为V的背包。

第i件物品的体积是vi，价值是wi。

求解将哪些物品装⼊背包，可使这些物品的总体积不超过背包流量，且总价值最⼤。

⼆维动态规划f[i][j] 表⽰只看前i个物品，总体积是j的情况下，总价值最⼤是多少。

result = max(f[n][0~V]) f[i][j]:不选第i个物品：f[i][j] = f[i-1][j];选第i个物品：f[i][j] = f[i-1][j-v[i]] + w[i]（v[i]是第i个物品的体积）两者之间取最⼤。

初始化：f[0][0] = 0 （啥都不选的情况，不管容量是多少，都是0？）代码如下：n, v = map(int, input().split())goods = []for i in range(n):goods.append([int(i) for i in input().split()])# 初始化，先全部赋值为0，这样⾄少体积为0或者不选任何物品的时候是满⾜要求dp = [[0 for i in range(v+1)] for j in range(n+1)]for i in range(1, n+1):for j in range(1,v+1):dp[i][j] = dp[i-1][j] # 第i个物品不选if j>=goods[i-1][0]:# 判断背包容量是不是⼤于第i件物品的体积# 在选和不选的情况中选出最⼤值dp[i][j] = max(dp[i][j], dp[i-1][j-goods[i-1][0]]+goods[i-1][1])print(dp[-1][-1])⼀维动态优化从上⾯⼆维的情况来看，f[i] 只与f[i-1]相关，因此只⽤使⽤⼀个⼀维数组[0~v]来存储前⼀个状态。

那么如何来实现呢？第⼀个问题：状态转移假设dp数组存储了上⼀个状态，那么应该有：dp[i] = max(dp[i] , dp[i-v[i]]+w[i])max函数⾥⾯的dp[i]代表的是上⼀个状态的值。