背包问题总结详解

就是感觉之前 dp 的 blog 太乱了整理一下。

0-1 背包

例题:P1048

朴素算法

思路

对于一个物品，我们可以选，也可以不选。

我们用 $w_i$ 表示第 i 件物品的重量， $v_i$ 表示第 i 件物品的价值。

考虑 $dp_{i,j}$ 表示前 i 件物品放入容量为j的背包中的最大价值。

如果我们放不下第 i 件物品(把它打入冷宫)，那么 $dp_{i,j}=dp_{i-1,j}$ ；否则入宫

然后发生了一场宫斗: $dp_{i,j}=max(dp_{i-1,j},dp_{i-1,j-w_i}+v_i)$ 。

这就是0-1背包的状态转移方程。

Code

#include <bits/stdc++.h>
using namespace std;
int w[maxn],v[maxn];
//w[i]表示第i个物品的重量,v[i]是价值 
int dp[maxn][maxm];
//dp[i][j]表示前i个物品放入容量为j的背包里的最大值
int main(){int n,m;cin>>n>>m;//n是物品个数,m是背包大小for(int i=1;i<=n;i++)cin>>w[i]>>v[i];for(int i=1;i<=n;i++){for(int j=0;j<=m;j++){if(j<w[i])//放不下第i个物品 dp[i][j]=dp[i-1][j];//打入冷宫 else//入宫 dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+v[i]);//然后是场宫斗}}cout<<dp[n][m]<<endl;return 0;
}

滚动数组优化

显然，朴素算法的二维数组太耗费空间了。我们可以进行优化。

观察一下二维数组的代码，~~注意到~~ i跟个摆设似的，没啥用途。（注意力惊人）

因为 $dp_{i,j}$ 只跟 $dp_{i-1,j}$ 有关系，所以我们没必要记录 i。

不妨我们来试一试优化~~(试试就逝世)~~

#include <bits/stdc++.h>
using namespace std;
int w[maxn],v[maxn],dp[maxm];
int main(){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=w[i];j<=m;j++)dp[j]=max(dp[j],dp[j-w[i]]+v[i]);}cout<<dp[m]<<endl;return 0;
}

乍一看没什么问题，实则喜提 0 分好成绩。

为什么呢？ $dp_{j-w_i}$ 更新的比 $dp_j$ 早！

因此倒过来循环即可。

Code

#include <bits/stdc++.h>
using namespace std;
int w[maxn],v[maxn],dp[maxm];//w是重量,v是价值
int main(){int n,m;//n是物品个数,m是背包容量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];i--)//这里注意了:由于如果正着循环,dp[j-w[i]]会比dp[i]更新的早,所以要倒过来循环 dp[j]=max(dp[j],dp[j-w[i]]+v[i]);}cout<<dp[m]<<endl;return 0;
}

完全背包

有N种物品和一个容量是M的背包，每种物品都有无限件可用。
第i种物品的体积是v[i]，价值是w[i]。
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容量，且总价值最大。
输出最大价值。

~~洛谷上找不到例题所以只能自己写了。~~

转 0-1 背包

完全背包和 0-1背包的差别就是物品可以拿无限次。所以考虑把完全背包转成 0-1背包。

我们可以想一下，物品有无限件，肯定是超过 M(背包容量)的。

我们可以把每个物品拆分成 $\frac{M}{w_i}$ 个小物品。这样就和 0-1 背包一样了。

拆分的代码：

int tot=0;//计算物品总数
for(int i=1;i<=n;i++){int a,b;//a是重量,b是价值cin>>a>>b;for(int j=1;j<=m/a;j++){w[++tot]=a;v[tot]=b;}
}

完整代码

#include <bits/stdc++.h>
using namespace std;
int w[maxn],v[maxn],dp[maxm];
int main(){int n,m;cin>>n>>m;int tot=0;//计算物品总数for(int i=1;i<=n;i++){int a,b;//a是重量,b是价值cin>>a>>b;for(int j=1;j<=m/a;j++){w[++tot]=a;v[tot]=b;}}for(int i=1;i<=tot;i++){for(int j=m;j>=w[i];j--)//倒着循环dp[j]=max(dp[j],dp[j-w[i]]+v[i]);}cout<<dp[m]<<endl;return 0;
}

完全背包自己的算法

这次我们不转 0-1背包。

由于至少放入一个，考虑最后一个放入的物品，其占用 w 的空间，价值是 v。

由于物品有无限多个，放入一个以后还是有无限多个，但是背包大小减少了 w。

问题转换为从前i个物品种选择一些物品放入 $j-w_i$ 的背包中可以获得的最大价值。

由此推出状态转移方程: $dp_{i,j}=max(dp_{i-1,j},dp_{i-1,j-k\times w_i}+k\times v_i)$ 。

我们用滚动数组，优化空间。和 0-1背包类似。

方程优化成这样: $dp_j=max(dp_j,dp_{j-w_i}+v_i)$ 。

虽然它的状态转移方程和0-1背包的一样，但是它不用倒着循环，正着循环即可。

#include <bits/stdc++.h>
using namespace std;
//对于物品i,你可以把它打入冷宫(不选)或者让它入宫(选) 
//不过啊,这是无限背包,所以可以无限放 
//也就是说,你放完一个,还有无限个,但是呢背包的大小减少了w[i]
//因此问题转化为从前i个物品中选一些放入大小为j-w[i]的背包中可获得的最大价值
int w[maxn],v[maxn],dp[maxm];
int main(){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=w[i];j<=m;j++)//这个正着循环即可dp[j]=max(dp[j],dp[j-w[i]]+v[i]); }cout<<dp[m]<<endl;return 0; 
}

转多重背包

没错，完全背包还可以转多重背包。不过建议读者先阅读下面的多重背包再看这个算法。

其实很简单。我们把多重背包里的 $s_i$ 定义成 $\frac{m}{w_i}$ 来求解就可以了。

状态转移方程: $dp_{i,j}=max(dp_{i-1,j},dp_{i-1,j-k\times w_i}+k\times v_i)$

最后是代码部分:

#include <bits/stdc++.h>
using namespace std;
int w[maxn],v[maxn],dp[maxm];
int main(){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++){for(int k=0;k<=j/w[i];k++)dp[i][j]=max(dp[i][j],dp[i-1][j-k*w[i]]+k*v[i]);}}cout<<dp[n][m]<<endl;return 0;
}

当然，由于多重背包的朴素算法的复杂度是 $\Theta (N\times M\times K)$ 的，所以必须优化（参见下面多重背包部分）。

多重背包

例题:P1776

朴素算法

多重背包 0-1背包的差别就是 0-1背包里一个物品只有一件，但多重背包里一个物品有s[i]件。

所以，我们分类讨论：

s[i]*w[i]>=m 转完全背包
转0-1背包。拿一个 k 去枚举数量，于是问题变成了一个重量为 $k\times w$ ，价值为 $k\times v$ 的物品取不取

来人！上代码！

#include <bits/stdc++.h>
using namespace std;
int w[maxn],v[maxn],s[maxn],dp[maxm];
int main(){int n,m;cin>>n>>m;for(int i=1;i<=n;i++)cin>>w[i]>>v[i]>>s[i];for(int i=1;i<=n;i++){if(s[i]*w[i]>=m){//相当于完全背包(因为比背包容量m大) for(int j=w[i];j<=m;j++)dp[j]=max(dp[j],dp[j-w[i]]+v[i]); }else{//否则转0-1背包 for(int j=m;j>=w[i];j--){for(int k=s[i];k>=0;k--){//枚举数量 if(j>=k*w[i])dp[j]=max(dp[j],dp[j-k*w[i]]+k*v[i]);}}}}cout<<dp[m]<<endl;return 0;
}

显然，时间复杂度不是一般的高~~，是二般的高~~。

所以优化是必须的。接下来我们来看多重背包的两种优化。

多重背包的二进制优化

思路

我们想一下，我们当时用k从s[i]枚举到0是否必要。

我们其实可以合并一些物品。

所以我们可以只枚举一些物品，通过这些物品互相合并，产生新的物品。比如:10=1+2+4+3

那为什么不拆成1+2+7呢？因为这样你就无法合成出4了。

那怎么枚举呢？这里要用到一点倍增的思想了。

给大家看一下局部代码：

int a,b,s;//a是重量,b是价值,s是数量
cin>>a>>b>>s;
//如何合成这些多余的物体
int k=1;
while(k<=s){w[++cnt]=k*a;//合成的重量v[cnt]=k*b;//合成的价值s-=k;//物品数相应减少k*=2;//翻倍
}
if(s){//没办法翻倍了w[++cnt]=s*a;v[cnt]=s*b;//剩下的自动合成
}

这样就OK了。

Code

//由于直接枚举取多少个会TLE
//所以我们进行二进制优化
//思考一下,其实我们没必要枚举0-s
//我们可以不断倍增:1,2,4,8,16,32,64,128...
//取这些数量个物品
//这样,通过不断组合可以组合出所有种类
//比如:10=1+2+4+3
//为什么有个3呢?
//因为正好剩个3了
//靠1,2,4,3可以组成0-10的所有数
//5=1+4 6=2+4 7=3+4 8=3+4+1 9=2+3+4 10=1+2+3+4
//所以在枚举时,我们不断倍增就可以了
//这样可以大大减少枚举量
#include <bits/stdc++.h>
using namespace std;
int w[maxn],v[maxn],dp[maxm];
int main(){int n,m;cin>>n>>m;int cnt=0;//记录新物体数(相当于优化后的n)for(int i=1;i<=n;i++){int a,b,s;//a是重量,b是价值,s是数量cin>>a>>b>>s;//接下来是重中之重//如何合成这些多余的物体int k=1;while(k<=s){w[++cnt]=k*a;//合成的重量v[cnt]=k*b;//合成的价值s-=k;//物品数相应减少k*=2;//翻倍}if(s){//没办法翻倍了w[++cnt]=s*a;v[cnt]=s*b;//剩下的自动合成}}//0-1背包for(int i=1;i<=cnt;i++){for(int j=m;j>=w[i];j--)dp[j]=max(dp[j],dp[j-w[i]]+v[i]);}cout<<dp[m]<<endl;return 0;
}

我个人认为这个方法好懂，好写，比下面的单调队列优化好一些。

单调队列优化多重背包

单调队列优化的思想就是给拿完后剩余体积分类，并且剩余体积一定不大于w，不然就能再拿。

我们可以枚举剩余体积，代码如下:

for(int i=1;i<=n;i++)          //->物品个数for(int j=0;j<w;j++)       //->剩余体积for(int k=j;k<=m;k+=w) //->不同个数

到这应该不难理解。

接下来，我们把这些状态表示一下:

$dp_0$ $dp_w$ $dp_{2\times w}$ (剩余体积 0)
$dp_1$ $dp_{w+1}$ $dp_{2\times w+1}$ (剩余体积 1)
$......$
$dp_j$ $dp_{w+j}$ $dp_{2*w+j}$ (剩余体积 j)

于是，我们把问题分成 j 类，每类就是一个单调队列。

$dp_i=dp_j$
$dp_{j+w}=max(dp_j+v,dp_{j+w})$
$......$
$dp_{j+k\times w}$ $=max(dp_j+k\times v,dp_{j+w}+(k-1)\times v,......,dp_{j+k\times w})$

我们把v提出来，就是：

$dp_j=dp_j$
$dp_{j+w}=max(dp_j,dp_{j+w}-v)+v$
$dp_{j+2*w}=max(dp_j,dp_{j+w}-v,dp_{j+2\times w}-2\times v)+2\times v$
$......$
$dp_{j+k\times w}=max(dp_j,dp_{j+w}-v,dp_{j+2\times w}-2\times v, ... ,dp_{j+k\times w}-k\times v)+k\times v$

所以，我们用一个队列维护最大值的下标，每次入队 $dp_{j+k\times w}-k\times w$ 即可。

但是由于我们要进行比较，所以我们还需要一个 pre 数组维护上一轮的队列就OK啦。

//单调队列优化的思想就是给拿完后剩余体积分类
//剩余体积一定<w,不然就可以再装
//0,1,2,3,......,w-1
//怎么枚举呢?看代码:
//for(int i=1;i<=n;i++)          ->物品个数
//    for(int j=0;j<w;j++)       ->剩余体积
//        for(int k=j;k<=m;k+=w) ->不同个数
//我们把这些状态表示一下:
//dp[0] dp[w] dp[2*w] ...... (剩余体积0)
//dp[1] dp[w+1] dp[2*w+1] ...... (剩余体积1)
//......
//dp[j] dp[w+j] dp[2*w+j] ...... (剩余体积j)
//我们把问题分为j类,每类就是一个单调队列
//dp[j]=dp[j]
//dp[j+w]=max{dp[j]+v,dp[j+w]}
//......
//dp[j+k*w]=max{dp[j]+k*v,dp[j+w]+(k-1)*v,......,dp[j+k*w]}
//我们稍微变换一下:
//dp[j]=dp[j]
//dp[j+w]=max{dp[j],dp[j+w]-v}+v
//dp[j+2*w]=max{dp[j],dp[j+w]-v,dp[j+2*w]-2*v}+2*v
//......
//dp[j+k*w]=max{dp[j],dp[j+w]-v,dp[j+2*w]-2*v,......,dp[j+k*w]-k*v}+k*v
//相当于把价值v挪到max函数外了
//所以说,我们每次入队dp[j+k*w]-k*w,维护最大值即可
//que维护的是dp[j+k*w]-k*w最大值的下标
//pre维护的是上一次的que
//每次比较一下即可 
#include <bits/stdc++.h>
using namespace std;
const int maxm=40005;
int dp[maxm],pre[maxm],que[maxm];//que是队列 
int main(){int n,m;cin>>n>>m;for(int i=1;i<=n;i++){int w,v,s;cin>>w>>v>>s;memcpy(pre,dp,sizeof(dp));for(int j=0;j<w;j++){//j个单调队列,j枚举的是拿完后剩下的重量(最多剩w-1) int head=0,tail=-1;//头尾指针for(int k=j;k<=m;k+=w){//k是取(k-j)/w件物品的重量 if(head<=tail && k-s*w>que[head])head++;while(head<=tail && pre[que[tail]]-(que[tail]-j)/w*v<=pre[k]-(k-j)/w*v)tail--;if(head<=tail)dp[k]=max(dp[k],pre[que[head]]+(k-que[head])/w*v);que[++tail]=k;}}}cout<<dp[m]<<endl;return 0;
}

复习（混合背包）

Review

混合背包就是 0-1背包、完全背包、多重背包的结合。

	内容	状态转移方程	注意事项
0-1背包	物品选/不选	$dp_j=max(dp_j,dp_{j-w_i}+v_i)$	倒着循环
完全背包	物品无数件	$dp_j=max(dp_j,dp_{j-w_i}+v_i)$	正着循环
多重背包	物品 $s_i$ 件	$dp_j=max(dp_j,dp_{j-k\times w_i}+k\times v_i)$	优化

思路

混合背包还是输入 $w_i\: v_i\: s_i$ ，分别表示重量，价值，数量。然后进行分类讨论：

当 $s_i=1$ 时，是 0-1背包。
当 $s_i=0$ 时，是完全背包。
其他为多重背包。

然后套用以上的状态转移方程即可。

代码

#include <bits/stdc++.h>
using namespace std;
int w[maxn],v[maxn],s[maxn],dp[maxm];
int main(){int n,m;cin>>m>>m;for(int i=1;i<=n;i++)cin>>w[i]>>v[i]>>s[i];for(int i=1;i<=n;i++){if(s[i]==1){//0-1背包 for(int j=m;j>=w[i];j--)dp[j]=max(dp[j],dp[j-w[i]]+v[i]);}else if(s[i]==0){//完全背包 for(int j=w[i];j<=m;j++)dp[j]=max(dp[j],dp[j-w[i]]+v[i]);}else{//多重背包(朴素),转0-1背包 for(int j=m;j>=w[i];j--){for(int k=1;k<s[i] && k*w[i]<=m;k++)dp[j]=max(dp[j],dp[j-k*w[i]]+k*v[i]);} }}cout<<dp[m]<<endl;return 0;
}

分组背包

例题:P1757

思路

和 0-1背包类似，只用一个二维数组存储每个组的解就行了。每组按 0-1 背包的解法做就ok了。

代码

#include <bits/stdc++.h>
using namespace std;
vector<int> w[maxn],v[maxn];
int dp[maxm];
int main(){for(int i=0;i<maxn;i++){w[i].push_back(0);v[i].push_back(0);}int m,n;cin>>m>>n;int kind=0;//种类数 for(int i=1;i<=n;i++){int a,b,c;//a是重量,b是价值 cin>>a>>b>>c;//c是种类 w[c].push_back(a);v[c].push_back(b);kind=max(kind,c);}for(int i=1;i<=kind;i++){for(int j=m;j>=0;j--){//倒着循环(0-1)背包 for(int k=1;k<(int)w[i].size();k++){if(j>=w[i][k])dp[j]=max(dp[j],dp[j-w[i][k]]+v[i][k]);} }}cout<<dp[m]<<endl;return 0;
}