1、問題描述: 給定n種物品和一背包。物品i的重量是wi,其價值為vi,背包的容量為C。問:應如何選擇裝入背包的物品,使得裝入背包中物品的總價值最大? 形式化描述:給定c >0, wi >0, vi >0 , 1≤i≤n.要求找一n元向量(x1,x2,…,xn,), xi∈{0,1}, ∋ ∑ wi xi≤c,且∑ vi xi達最大.即一個特殊的整數規劃問題。 2、最優性原理: 設(y1,y2,…,yn)是 (3.4.1)的一個最優解.則(y2,…,yn)是下面相應子問題的一個最優解: 證明:使用反證法。若不然,設(z2,z3,…,zn)是上述子問題的一個最優解,而(y2,y3,…,yn)不是它的最優解。顯然有 ∑vizi > ∑viyi (i=2,…,n) 且 w1y1+ ∑wizi<= c 因此 v1y1+ ∑vizi (i=2,…,n) > ∑ viyi, (i=1,…,n) 說明(y1,z2, z3,…,zn)是(3.4.1)0-1背包問題的一個更優解,導出(y1,y2,…,yn)不是背包問題的最優解,矛盾。 3、遞推關系: 設所給0-1背包問題的子問題 的最優值為m(i,j),即m(i,j)是背包容量為j,可選擇物品為i,i+1,…,n時0-1背包問題的最優值。由0-1背包問題的最優子結構性質,可以建立計算m(i,j)的遞歸式: 注:(3.4.3)式此時背包容量為j,可選擇物品為i。此時在對xi作出決策之後,問題處於兩種狀態之一: (1)背包剩余容量是j,沒產生任何效益; (2)剩余容量j-wi,效益值增長了vi ; 算法具體代碼如下: [cpp] //3d10-1 動態規劃 背包問題 #include "stdafx.h" #include <iostream> using namespace std; const int N = 4; void Knapsack(int v[],int w[],int c,int n,int m[][10]); void Traceback(int m[][10],int w[],int c,int n,int x[]); int main() { int c=8; int v[]={0,2,1,4,3},w[]={0,1,4,2,3};//下標從1開始 int x[N+1]; int m[10][10]; cout<<"待裝物品重量分別為:"<<endl; for(int i=1; i<=N; i++) { cout<<w[i]<<" "; } cout<<endl; cout<<"待裝物品價值分別為:"<<endl; for(int i=1; i<=N; i++) { cout<<v[i]<<" "; } cout<<endl; Knapsack(v,w,c,N,m); cout<<"背包能裝的最大價值為:"<<m[1][c]<<endl; Traceback(m,w,c,N,x); cout<<"背包裝下的物品編號為:"<<endl; for(int i=1; i<=N; i++) { if(x[i]==1) { cout<<i<<" "; } } cout<<endl; return 0; } void Knapsack(int v[],int w[],int c,int n,int m[][10]) { int jMax = min(w[n]-1,c);//背包剩余容量上限 范圍[0~w[n]-1] for(int j=0; j<=jMax;j++) { m[n][j]=0; } for(int j=w[n]; j<=c; j++)//限制范圍[w[n]~c] { m[n][j] = v[n]; } for(int i=n-1; i>1; i--) { jMax = min(w[i]-1,c); for(int j=0; j<=jMax; j++)//背包不同剩余容量j<=jMax<c { m[i][j] = m[i+1][j];//沒產生任何效益 } for(int j=w[i]; j<=c; j++) //背包不同剩余容量j-wi >c { m[i][j] = max(m[i+1][j],m[i+1][j-w[i]]+v[i]);//效益值增長vi } } m[1][c] = m[2][c]; if(c>=w[1]) { m[1][c] = max(m[1][c],m[2][c-w[1]]+v[1]); } } //x[]數組存儲對應物品0-1向量,0不裝入背包,1表示裝入背包 void Traceback(int m[][10],int w[],int c,int n,int x[]) { for(int i=1; i<n; i++) { if(m[i][c] == m[i+1][c]) { x[i]=0; } else { x[i]=1; c-=w[i]; } } x[n]=(m[n][c])?1:0; } 算法執行過程對m[][]填表及Traceback回溯過程如圖所示: 從m(i,j)的遞歸式容易看出,算法Knapsack需要O(nc)計算時間; Traceback需O(n)計算時間;算法總體需要O(nc)計算時間。當背包容量c很大時,算法需要的計算時間較多。例如,當c>2^n時,算法需要Ω(n2^n)計算時間。 4、算法的改進: 由m(i,j)的遞歸式容易證明,在一般情況下,對每一個確定的i(1≤i≤n),函數m(i,j)是關於變量j的階梯狀單調不減函數。跳躍點是這一類函數的描述特征。在一般情況下,函數m(i,j)由其全部跳躍點唯一確定。如圖所示。 對每一個確定的i(1≤i≤n),用一個表p[i]存儲函數m(i,j)的全部跳躍點。表p[i]可依計算m(i,j)的遞歸式遞歸地由表p[i+1]計算,初始時p[n+1]={(0,0)}。 一個例子:n=3,c=6,w={4,3,2},v={5,2,1}。 函數m(i,j)是由函數m(i+1,j)與函數m(i+1,j-wi)+vi作max運算得到的。因此,函數m(i,j)的全部跳躍點包含於函數m(i+1,j)的跳躍點集p[i+1]與函數m(i+1,j-wi)+vi的跳躍點集q[i+1]的並集中。易知,(s,t)∈q[i+1]當且僅當wi<=s<=c且(s-wi,t-vi)∈p[i+1]。因此,容易由p[i+1]確定跳躍點集q[i+1]如下: q[i+1]=p[i+1]⊕(wi,vi)={(j+wi,m(i,j)+vi)|(j,m(i,j))∈p[i+1]} 另一方面,設(a,b)和(c,d)是p[i+1]∪q[i+1]中的2個跳躍點,則當c>=a且d<b時,(c,d)受控於(a,b),從而(c,d)不是p[i]中的跳躍點。除受控跳躍點外,p[i+1]∪q[i+1]中的其他跳躍點均為p[i]中的跳躍點。 由此可見,在遞歸地由表p[i+1]計算表p[i]時,可先由p[i+1]計算出q[i+1],然後合並表p[i+1]和表q[i+1],並清除其中的受控跳躍點得到表p[i]。 例:n=5,c=10,w={2,2,6,5,4},v={6,3,5,4,6}。跳躍點的計算過程如下: 初始時p[6]={(0,0)},(w5,v5)=(4,6)。因此,q[6]=p[6]⊕(w5,v5)={(4,6)}。 p[5]={(0,0),(4,6)}。q[5]=p[5]⊕(w4,v4)={(5,4),(9,10)}。從跳躍點集p[5]與q[5]的並集p[5]∪q[5]={(0,0),(4,6),(5,4),(9,10)}中看到跳躍點(5,4)受控於跳躍點(4,6)。將受控跳躍點(5,4)清除後,得到 p[4]={(0,0),(4,6),(9,10)} q[4]=p[4]⊕(6,5)={(6,5),(10,11)} p[3]={(0,0),(4,6),(9,10),(10,11)} q[3]=p[3]⊕(2,3)={(2,3),(6,9)} p[2]={(0,0),(2,3),(4,6),(6,9),(9,10),(10,11)} q[2]=p[2]⊕(2,6)={(2,6),(4,9),(6,12),(8,15)} p[1]={(0,0),(2,6),(4,9),(6,12),(8,15)} p[1]的最後的那個跳躍點(8,15)給出所求的最優值為m(1,c)=15。 具體代碼實現如下: [cpp] //3d10-2 動態規劃 背包問題 跳躍點優化 #include "stdafx.h" #include <iostream> using namespace std; const int N = 4; template<class Type> int Knapsack(int n,Type c,Type v[],Type w[],int **p,int x[]); template<class Type> void Traceback(int n,Type w[],Type v[],Type **p,int *head,int x[]); int main() { int c=8; int v[]={0,2,1,4,3},w[]={0,1,4,2,3};//下標從1開始 int x[N+1]; int **p = new int *[50]; for(int i=0;i<50;i++) { p[i] = new int[2]; } cout<<"待裝物品重量分別為:"<<endl; for(int i=1; i<=N; i++) { cout<<w[i]<<" "; } cout<<endl; cout<<"待裝物品價值分別為:"<<endl; for(int i=1; i<=N; i++) { cout<<v[i]<<" "; } cout<<endl; cout<<"背包能裝的最大價值為:"<<Knapsack(N,c,v,w,p,x)<<endl; cout<<"背包裝下的物品編號為:"<<endl; for(int i=1; i<=N; i++) { if(x[i]==1) { cout<<i<<" "; } } cout<<endl; for(int i=0;i<50;i++) { delete p[i]; } delete[] p; return 0; } template<class Type> int Knapsack(int n,Type c,Type v[],Type w[],int **p,int x[]) { int *head = new int[n+2]; head[n+1]=0; p[0][0]=0;//p[][0]存儲物品重量 p[0][1]=0;//p[][1]存儲物品價值,物品n的跳躍點(0,0) // left 指向p[i+1]的第一個跳躍點,right指向最後一個 //拿書上的例子來說,若計算p[3]=0;則left指向p[4]的第一跳躍點(0 0)right指向(9,10) int left = 0,right = 0,next = 1;//next即下一個跳躍點要存放的位置 head[n]=1;//head[n]用來指向第n個物品第一個跳躍點的位置 for(int i=n; i>=1; i--) { int k = left;//k指向p[ ]中跳躍點,移動k來判斷p[]與p[]+(w v)中的受控點 for(int j=left; j<=right; j++) { if(p[j][0]+w[i]>c) break;//剩余的空間不能再裝入i,退出for循環; Type y = p[j][0] + w[i],m = p[j][1] + v[i];//計算p[ ]+(w v) //若p[k][0]較小則(p[k][0] p[k][1])一定不是受控點,將其作為p[i]的跳躍點存儲 while(k<=right && p[k][0]<y) { p[next][0]=p[k][0]; p[next++][1]=p[k++][1]; } //如果 p[k][0]==y而m<p[k][1],則(y m)為受控點不存 if(k<=right && p[k][0]==y) { if(m<p[k][1])//對(p[k][0] p[k][1])進行判斷 { m=p[k][1]; } k++; } // 若p[k][0]>=y且m> =p[k][1],判斷是不是當前i的最後一個跳躍點的受控點 //若不是則為i的跳躍點存儲 if(m>p[next-1][1]) { p[next][0]=y; p[next++][1]=m; } //若是,則對下一個元素進行判斷。 while(k<=right && p[k][1]<=p[next-1][1]) { k++; } } while(k<=right) { p[next][0]=p[k][0]; p[next++][1]=p[k++][1];//將i+1剩下的跳躍點作為做為i的跳躍點存儲 } left = right + 1; right = next - 1; // 第i-1個物品第一個跳躍點的位置 head[0]指第0個物品第一個跳躍點的位置 head[i-1] = next; } Traceback(n,w,v,p,head,x); return p[next-1][1]; } //x[]數組存儲對應物品0-1向量,0不裝入背包,1表示裝入背包 template<class Type> void Traceback(int n,Type w[],Type v[],Type **p,int *head,int x[]) { //初始化j,m為最後一個跳躍點對應的第0列及第1列 //如上例求出的 最後一個跳躍點為(8 15)j=8,m=15 Type j = p[head[0]-1][0],m=p[head[0]-1][1]; for(int i=1; i<=n; i++) { x[i]=0;// 初始化數組; for(int k=head[i+1]; k<=head[i]-1;k++)// 初始k指向p[2]的第一個跳躍點(0 0) { //判斷物品i是否裝入,如上例與跳躍點(6 9)相加等於(8 15)所以1裝入 if(p[k][0]+w[i]==j && p[k][1]+v[i]==m) { x[i]=1;//物品i被裝入,則x[i]置1 j=p[k][0];// j和m值置為滿足if條件的跳躍點對應的值 m=p[k][1];// 如上例j=6,m=9 break;//再接著判斷下一個物品 } } } } 上述算法的主要計算量在於計算跳躍點集p[i](1≤i≤n)。由於q[i+1]=p[i+1]⊕(wi,vi),故計算q[i+1]需要O(|p[i+1]|)計算時間。合並p[i+1]和q[i+1]並清除受控跳躍點也需要O(|p[i+1]|)計算時間。從跳躍點集p[i]的定義可以看出,p[i]中的跳躍點相應於xi,…,xn的0/1賦值。因此,p[i]中跳躍點個數不超過2^(n-i+1)。由此可見,算法計算跳躍點集p[i]所花費的計算時間為從而,改進後算法的計算時間復雜性為O(2^n)。當所給物品的重量wi(1≤i≤n)是整數時,|p[i]|≤c+1,(1≤i≤n)。在這種情況下,改進後算法的計算時間復雜性為O(min{nc,2^n})。 運行結果如圖: