算法:多重背包问题dp

文章目录

    • 一、多重背包问题特点
      • 1.1、多重背包问题的特征
      • 1.2、解决多重背包问题的基本方法
        • 典型例题:AcWing——多重背包问题I
      • 1.3、二进制优化
        • 1.3.1、二进制优化的思想
        • 1.3.2、多重背包问题的二进制优化

在这里插入图片描述

一、多重背包问题特点

多重背包问题是背包问题的又一变种,它在0-1背包和完全背包问题的基础上增加了一个限制:每种物品i除了有一个重量w[i]和价值v[i]外,还有一个最大可用数量n[i]。这意味着每种物品i可以被选取的次数最多是n[i]次,而不是只有一次(0-1背包问题)或无限次(完全背包问题)。

1.1、多重背包问题的特征

  1. 有限的物品数量:每种物品有一个最大数量限制,不能无限制地选择。
  2. 背包容量限制:存在一个容量限制,所有选取的物品的总重量不能超过这个限制。
  3. 优化目标:目标是在不超过背包容量的前提下,最大化背包内物品的总价值。
  4. 复杂度:时间和空间复杂度取决于具体的实现方法,一般时间复杂度为O(V*sum(n[i]))

1.2、解决多重背包问题的基本方法

解决多重背包问题的基本思路是利用动态规划,其中最直观的方法是使用二维DP数组dp[i][j],表示考虑前i种物品,在不超过重量j的情况下的最大价值。和0-1背包问题的区别在于物品i能取n[i]次,因此状态转移方程可以写为:

for(int k=0;k<=n[i];++k)if(j-k*weight[i]>=0)dp[i][j]=max(dp[i][j],dp[i-1][j-k*weight[i]]+k*value[i]);

这里,k是从0n[i]的整数,表示选择第i种物品k次的可能性。

由于这种方法会导致较高的时间复杂度,时间复杂度为O(V*sum(n[i])),特别是当n[i]的值很大时,常常需要使用其他技巧。

典型例题:AcWing——多重背包问题I

AcWing:多重背包问题I
按照以上思路,并且按照0-1背包一样的思路,进行降维优化。

    for(int i=0;i<N;++i)for(int j=V;j>=volume[i];--j)for(int k=0;k<=n[i];++k)if(j-k*volume[i]>=0)dp[j]=max(dp[j],dp[j-k*volume[i]]+k*value[i]);

本题可以书写代码为:

#include<bits/stdc++.h>
using namespace  std;
int dp[101];
int main(void){ios_base::sync_with_stdio(false);cin.tie(0);int N,V;cin>>N>>V;vector<int> volume(N);vector<int> value(N);vector<int> n(N);for(int i=0;i<N;++i){cin>>volume[i]>>value[i]>>n[i];}for(int i=0;i<N;++i)for(int j=V;j>=volume[i];--j)for(int k=0;k<=n[i];++k)if(j-k*volume[i]>=0)dp[j]=max(dp[j],dp[j-k*volume[i]]+k*value[i]);cout<<dp[V];return 0;
}

1.3、二进制优化

1.3.1、二进制优化的思想

对于任何一个数,我们可以将其进行二进制拆分。即任何一个10进制数都能写成二进制数的形式。
比如:3=1+2=11B、10=2+8=1010B。

如果我们对于一个数,例如10,取出小于其的所有二进制位,即1B,10B,100B,1000B,那么我们必然能够选出其中的某些位来凑成10,并且对于小于10的任何一个正整数也可以被凑成,即选取其中若干位有:1B、10B、11B、100B、101B、110B、111B、1000B、1001B···。即,如果我们有一个物品,它能够被选择小于等于n次,我们可以通过选择其中的某些位来实现选择的所有情况。

那么我们把一个物品可以最多选择n次的问题,按照未优化的多重背包问题需要进行O(V*sum(n[i]))次计算取最大值 变成了
考虑在logn个物品中选择其中的某些物品,取最大值 的问题了。按到理来说,logn个物品要么被选要么不被选,一共是2的logn次方种情况,也就是n种情况;但是如果我们把这个问题转化成0-1背包问题,即利用动态规划来考虑,就变成了O(V*sum(logn[i]))次了。当n[i]<=2000时,logn[i]<=3.301,减少了一千倍计算量。

因此,我们对于n[i],可以进行二进制拆分,将n[i]个物品按照二进制拆分,变成若干堆,每次选择只能一次全选,这样使得我们需要考虑的物品变成logn[i]个,多重背包问题变成了一个0-1背包问题,即这logn[i]个物品,要么被选,要么不被选,能够取得的最大值。我们通过上述叙述可以知道logn[i]个物品的所有被选择的情况,刚好构成了0~n[i]中的所有数字。

由于一个物品的数量n不一定是2的整数倍,因此我们在考虑二进制的时候,因为我们的目的是凑成0~ n,因此我们在考虑二进制的时候,我们考虑到小于等于n/2位即可,它们能满足0~ k种情况(k<=n/2),然后剩余的n-k部分直接单独成一块就行,这样,能满足n-k~ k+n-k种情况,合并起来就是0~n中情况。

1.3.2、多重背包问题的二进制优化

通过二进制拆分,我们将m个物品每个最多选n[i]次的多重背包问题,转换成了 sum(logn[i])个物品的0-1背包问题。相当于进行了问题转换。

代码:

#include<bits/stdc++.h>
using namespace  std;
int dp[2002];
int main(void){ios_base::sync_with_stdio(false);cin.tie(0);int N,V;cin>>N>>V;vector<int> value;vector<int> volume;for(int i=0;i<N;++i){//构建二进制拆分物品int w,v,num;cin>>w>>v>>num;//w单物品体积,v单物品价值,num可选数量int s=num;int b=1;while(b<=s){//注意b必须是小于num,且不能是最高位 如1010B,b不能是1000Bvalue.push_back(b*v);volume.push_back(b*w);s-=b;b*=2;}if(s>0){value.push_back(s*v);volume.push_back(s*w);}}N=value.size();//更新物品数量for(int i=0;i<N;++i)for(int j=V;j>=volume[i];--j)dp[j]=max(dp[j],dp[j-volume[i]]+value[i]);cout<<dp[V];return 0;
}

位数关系即:

        int s=num;int b=1;num=log2(num);num=pow(2,num-1);while(b<=num){value.push_back(b*v);volume.push_back(b*w);s-=b;b*=2;}if(s>0){value.push_back(s*v);volume.push_back(s*w);}
        int s=num;int b=1;num=num>>1;while(b<=num){value.push_back(b*v);volume.push_back(b*w);s-=b;b*=2;}if(s>0){value.push_back(s*v);volume.push_back(s*w);}

官方:

#include<iostream>
using namespace std;const int N = 12010, M = 2010;int n, m;
int v[N], w[N]; //逐一枚举最大是N*logS
int f[M]; // 体积<Mint main()
{cin >> n >> m;int cnt = 0; //分组的组别for(int i = 1;i <= n;i ++){int a,b,s;cin >> a >> b >> s;int k = 1; // 组别里面的个数while(k<=s){cnt ++ ; //组别先增加v[cnt] = a * k ; //整体体积w[cnt] = b * k; // 整体价值s -= k; // s要减小k *= 2; // 组别里的个数增加}//剩余的一组if(s>0){cnt ++ ;v[cnt] = a*s; w[cnt] = b*s;}}n = cnt ; //枚举次数正式由个数变成组别数//01背包一维优化for(int i = 1;i <= n ;i ++)for(int j = m ;j >= v[i];j --)f[j] = max(f[j],f[j-v[i]] + w[i]);cout << f[m] << endl;return 0;
}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/804607.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

性能优化角度

1.启动角度 2.数据缓存角度比如历史信息联想 3.内存释放角度 4.配合并要求后端进行接口API整合 5.耗时较多需求&#xff0c;根据业务情况进行线程异步处理 6.通过开源的loop监控sdk日志埋点&#xff0c;可监控线程对应环路的休眠/唤醒时间间隔&#xff0c;优化卡顿 7.尽量避免离…

如何在Flutter应用中配置ipa Guard进行混淆

在移动应用开发中&#xff0c;保护应用代码安全至关重要。Flutter 提供了简单易用的混淆工具&#xff0c;帮助开发者在构建 release 版本应用时有效保护代码。本文将介绍如何在 Flutter 应用中使用混淆&#xff0c;并提供了相关的操作步骤和注意事项。 &#x1f4dd; 摘要 本…

彩虹聚合DNS管理系统源码

聚合DNS管理系统可以实现在一个网站内管理多个平台的域名解析&#xff0c;目前已支持的域名平台有&#xff1a;阿里云、腾讯云、华为云、西部数码、CloudFlare。本系统支持多用户&#xff0c;每个用户可分配不同的域名解析权限&#xff1b;支持API接口&#xff0c;支持获取域名…

LeetCode-冗余连接(并查集)

每日一题&#xff0c;今天又刷到一道使用并查集来解决的问题&#xff0c;再次加深了一遍自己对并查集的印象和使用。 题目要求 树可以看成是一个连通且 无环 的 无向 图。 给定往一棵 n 个节点 (节点值 1&#xff5e;n) 的树中添加一条边后的图。添加的边的两个顶点包含在 1…

对象参数验证工具, 解决非controller层数据校验问题, @Validated、@Valid

工具类 package com.common;import com.common.SysException;import javax.validation.ConstraintViolation; import javax.validation.Validation; import javax.validation.Validator; import java.util.Set; import java.util.stream.Collectors;/**1. author: 0i773. Desc…

Android TV 谷歌语音

Android TV 上的谷歌语音助手是一个强大的工具&#xff0c;它允许用户通过语音命令来控制电视设备、搜索内容、管理智能家居设备等。下面是一些关于在 Android TV 上使用谷歌语音助手的实战建议&#xff1a; 启用和设置&#xff1a; 确保你的 Android TV 设备已经连接到了互联…

【计算机毕业设计】超市进销存管理系统——后附源码

&#x1f389;**欢迎来到我的技术世界&#xff01;**&#x1f389; &#x1f4d8; 博主小档案&#xff1a; 一名来自世界500强的资深程序媛&#xff0c;毕业于国内知名985高校。 &#x1f527; 技术专长&#xff1a; 在深度学习任务中展现出卓越的能力&#xff0c;包括但不限于…

揭秘ChatGPT技巧:高效撰写学术论文的专家秘笈

ChatGPT无限次数:点击直达 html 揭秘ChatGPT技巧&#xff1a;高效撰写学术论文的专家秘笈 揭秘ChatGPT技巧&#xff1a;高效撰写学术论文的专家秘籍 在当今信息爆炸的时代&#xff0c;如何高效撰写学术论文成为许多研究者和学生关注的焦点。ChatGPT是一款人工智能助手&…

PostgreSQL入门到实战-第八弹

PostgreSQL入门到实战 PostgreSQL数据过滤(一)官网地址PostgreSQL概述PostgreSQL的where子命令介绍PostgreSQL的where子命令实操更新计划 PostgreSQL数据过滤(一) 官网地址 声明: 由于操作系统, 版本更新等原因, 文章所列内容不一定100%复现, 还要以官方信息为准 https://ww…

数据结构---顺序表实现

目录 1.顺序表 2.动态顺序表的实现 &#xff08;4&#xff09;顺序表初始化 &#xff08;5&#xff09;顺序表销毁 &#xff08;6&#xff09;顺序表的插入 a.尾插 b.头插 &#xff08;7&#xff09;顺序表的删除 a.尾删 b.头删 &#xff08;8&#xff09;指定位置之…

程序员编程电脑的配置一般需要满足什么样的要求?

处理器&#xff08;CPU&#xff09;&#xff1a;推荐选择Intel Core i5或AMD Ryzen 5及以上的处理器&#xff0c;适用于一般编程任务。对于更复杂的任务如大型项目编译或虚拟化技术&#xff0c;建议选择Intel Core i7或AMD Ryzen 7等更高端处理器。 内存&#xff08;RAM&#…

大话设计模式之桥接模式

桥接模式是一种结构型设计模式&#xff0c;它将抽象部分与它的实现部分分离&#xff0c;使它们可以独立地变化。这种模式通过提供一个桥接接口来实现这种分离&#xff0c;使得抽象部分和实现部分可以在运行时独立地进行修改。 桥接模式主要由两个部分组成&#xff1a;抽象部分…

Chat Ollama docker部署及运行 本地大语言模型+本地知识库搭建 强烈推荐

背景介绍 Ollama 是目前最流行的大模型本地化工具之一。 Ollama 支持一系列开源大模型&#xff0c;包括主流的聊天模型和文本嵌入模型&#xff08;Embedding Models&#xff09;等。 ChatOllama 是基于 Ollama 的 Web 应用&#xff0c;它可以让用户直接在浏览器中使用 Ollama。…

解锁电气数据新价值:SolidWorks Electrical助力企业转型

在信息化、数字化的时代&#xff0c;电气数据库已成为企业不可或缺的核心资产。它以其独特的功能和优势&#xff0c;助力企业在激烈的市场竞争中脱颖而出&#xff0c;实现数字化转型的跨越式发展。 SolidWorks Electrical电气数据库具备强大的数据整合能力。它能够将企业内部各…

C语言生成大模型代码

C语言生成大模型代码 在C语言中生成大模型代码并不是一个常见的任务&#xff0c;因为C语言通常用于编写系统级或应用级的程序&#xff0c;而不是用于机器学习或深度学习模型的开发。大模型代码通常指的是深度学习框架&#xff08;如TensorFlow、PyTorch等&#xff09;中用于训…

算法之图算法

1、广度优先搜索&#xff1a; package com.arithmetic.graph; import java.util.LinkedList; import java.util.Queue; //定义一个邻接矩阵用于表示图的结构&#xff0c;0表示两个节点之间没有边&#xff0c;1表示有边连接。 //然后使用一个布尔数组visited来标记节点是否被访…

keep-alive包裹的两个页面使用了echart,在resize后切换,echart会出现空白现象,需要再resize才会出现

问题&#xff1a;页面有2个echarts图&#xff0c;一打开页面图表是有的&#xff0c;然后切换到另一个页面&#xff0c;也是有2个echarts图&#xff0c;然后缩放浏览器窗口&#xff0c;再切换回第一次打开的页面&#xff0c;图表不显示。 因为keep-live保存了当前页面的属性&am…

Knife4j的配置

要使用Knife4j&#xff0c;需要进行以下配置步骤&#xff1a; 在pom.xml文件中添加依赖&#xff1a; <!-- Knife4j --> <dependency><groupId>com.github.xiaoymin</groupId><artifactId>knife4j-spring-boot-starter</artifactId><v…

Linux 学习之路 - 进程篇 - PCB介绍1-标识符

目录 一、基础的命令 <1> ps axj 命令 <2> top 命令 <3> proc 目录 二、进程的标识符 <1>范围 <2>如何获取标识符 <3>bash进程 三、创建进程 一、基础的命令 前面介绍了那么多&#xff0c;但是我们没有观察到进程相关状态&#x…

js把数组中的某些项移动到前面,使用sort函数

在JavaScript中&#xff0c;使用sort函数可以按照特定的规则对数组进行排序。如果你想根据特定的条件把数组中的某些项移动到前面&#xff0c;你可以使用sort函数来实现这一点。以下是一个例子&#xff0c;演示了如何使用sort函数把满足特定条件的数组项移动到数组的前面&#…