前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【动态规划/背包问题】背包问题第一阶段最终章:混合背包问题

【动态规划/背包问题】背包问题第一阶段最终章:混合背包问题

作者头像
宫水三叶的刷题日记
发布2021-06-23 10:53:58
6300
发布2021-06-23 10:53:58
举报

前言

今天是我们讲解 动态规划专题 中的「背包问题」的第十一篇

今天将会学习「混合背包」问题,同时也是我们「背包问题」的第一阶段的最后一节。

今天首先会和大家回顾之前学过的三种背包问题。

然后通过一道「混合背包」问题,来将我们之前学的几种背包问题串联起来。

希望通过本篇内容,大家会对背包问题有更清晰的认识。

另外,我在文章结尾处列举了我所整理的关于背包问题的相关题目。

背包问题我会按照编排好的顺序进行讲解(每隔几天更新一篇,确保大家消化)。

你也先可以尝试做做,也欢迎你向我留言补充,你觉得与背包相关的 DP 类型题目 ~

回顾三种传统背包问题

前面我们已经学完了三种传统背包问题了。

这里再回顾一下三种传统背包:

  • 01 背包:强调每件物品「只能选择一次」。对其进行「一维空间优化」并不能降低时间复杂度,进行「一维空间优化」时要求「容量维度“从大到小”进行遍历」
  • 完全背包:强调每件物品「可以选择无限次」。对其进行「一维空间优化」具有数学意义,可以将时间复杂度从
O(N * C * C)

降低到

O(N * C)

,进行「一维空间优化」时要求「容量维度“从小到大”进行遍历」

  • 多重背包:强调每件物品「只能选择有限次」。对其无论是进行「一维空间优化」还是「普通扁平化」都不能降低时间复杂度,要应用额外的优化手段:二进制优化单调队列优化

三种背包问题的「难易程度」「递增」,但「重要程度」则是「递减」 的。

虽然「多重背包」的 二进制优化单调队列优化 都比较 trick。

但其实「多重背包」并没有这么常见,以至于在 LeetCode 上我都没找到与「多重背包」相关的题目。

同时三种背包问题都有「不超过」「恰好」两种状态定义。

这两种状态定义只在「初始化」上有区别。

至于该如何初始化则要抓住 什么样的状态是合法的

  • 对于「不超过」的状态定义:
f[0][x]

均为合法值

0

。 代表不考虑任何物品,背包容量「不超过

x

」的所取得的最大价值为

0

  • 对于「恰好」的状态定义:
f[0][x]

中只有

f[0][0]

为合法值

0

,其他值均为“无效值”。 代表不考虑任何物品,只有背包容量「恰好为

0

」时所取得的最大价值为

0

;其他容量「恰好为非

0

」是无法取得有效价值的(因为不考虑任何物品)。

总的来说,三种背包问题都很经典(本质上都是组合优化问题),以至于「背包问题」直接成为了一类的动态规划模型。

我的建议是三种背包都需要掌握。但如果实在要分侧重点的话,我更愿意你将大多数时间花在「01 背包」和「完全背包」上。

混合背包

给定物品数量

N

和背包容量

C

。第

i

件物品的体积是

v[i]

,价值是

w[i]

,可用数量为

s[i]

s[i]

-1

代表是该物品只能用一次

s[i]

0

代表该物品可以使用无限次

s[i]

为任意正整数则代表可用

s[i]

求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。

基本分析

混合背包其实就是综合了「01 背包」、「完全背包」和「多重背包」三种传统背包问题。

我们知道在一维空间优化方式中「01 背包」将当前容量

j

按照“从大到小”进行遍历,而「完全背包」则是将当前容量

j

按照“从小到大”进行遍历。

同时「多重背包」可以通过「二进制优化」彻底转移成「01 背包」。

所以我们只需要根据第

i

个物品是「01 背包」物品还是「完全背包」物品,选择不同的遍历顺序即可。

代码:

代码语言:javascript
复制
class Solution {
    public int maxValue(int N, int C, int[] w, int[] v, int[] s) {
        // 构造出物品的「价值」和「体积」列表
        List<Integer> worth = new ArrayList<>();
        List<Integer> volume = new ArrayList<>();
        for (int i = 0; i < N; i++) {
            int type = s[i];
            
            // 多重背包:应用「二进制优化」转换为 0-1 背包问题
            if (type > 0) { 
                for (int k = 1; k <= type; k *= 2) {
                    type -= k;
                    worth.add(w[i] * k);
                    volume.add(v[i] * k);
                }
                if (type > 0) {
                    worth.add(w[i] * type);
                    volume.add(v[i] * type);
                }
                
            // 01 背包:直接添加
            } else if (type == -1) {
                worth.add(w[i]);
                volume.add(v[i]);
                
            // 完全背包:对 worth 做翻转进行标记
            } else {
                worth.add(-w[i]);
                volume.add(v[i]);
            }
        }
        
        // 使用「一维空间优化」方式求解三种背包问题
        int[] dp = new int[C + 1];
        for (int i = 0; i < worth.size(); i++) {
            int wor = worth.get(i);
            int vol = volume.get(i);
            
            // 完全背包:容量「从小到大」进行遍历
            if (wor < 0) { 
                for (int j = vol; j <= C; j++) {
                    // 同时记得将 worth 重新翻转为正整数
                    dp[j] = Math.max(dp[j], dp[j - vol] - wor); 
                }
                
            // 01 背包:包括「原本的 01 背包」和「经过二进制优化的完全背包」
            // 容量「从大到小」进行遍历
            } else { 
                for (int j = C; j >= vol; j--) {
                    dp[j] = Math.max(dp[j], dp[j - vol] + wor);
                }
            }
        }
        return dp[C];
    }
}

就这样我们解决了这个混合背包问题。

先将一个「多重背包」问题通过「二进制优化」的思路,转化为「01 背包」问题。

然后根据物品是属于「01 背包」还是「完全背包」决定容量

j

是"从大到小"还是"从小到大"进行推算。

换句话说就是根据物品的类型不同,选择不同的转移方式。

总结

今天我们在学习「混合背包」之前先梳理了前面学的三种传统背包问题。

三种传统背包的主要区别在于「物品可被选择的次数」,其中「01 背包」的一维空间的优化方式是其余背包问题的基础。

对于「完全背包」和「多重背包」而言,一个可以选择「任意个数的物品」,另外一个则存在「选择物品的上界」。

这导致这两种背包问题在转移某个

f[i][j]

时,其实本质是分别在求「整个前缀的最值」和「滑动窗口的最值」。

这就意味着「完全背包」可以直接通过一维空间优化降低时间复杂度;而「多重背包」则要通过「二进制优化」(减少总的物品数量)或者「单调队列优化」(实现直接求得滑动窗口最值)来降低时间复杂度。

最后

到这一节结束,我们就已经完成「背包问题」的第一阶段的学习了 ? ?

接下来的「背包问题」更多的偏向于「多维」、「分组」、「有依赖」、「求方案数/具体方案」此类问题。

这类问题往往才是真正用来考察「背包思维」的题目,第一阶段的学习更多的是模板题,打基础用的。

继续加油吧 ~

另外,最近一段时间的公众号的更新频率确实下降了

不少同学通过各种渠道(LeetCode 评论区、知乎、公众号后台)催更 ...

但是我真的没有偷懒啦 ?

这就来跟大家分享最近在忙些什么:

  1. 首先肯定是忙工作啦
  2. 然后是正在将内容整理成排版和顺序都比较合理的 pdf ,后面会公开出来给大家下载
  3. 最后一个则是彩蛋预告:最近在和 LeetCode 策划合作出两本 LeetBook ? ? 目前已经接近尾声,到时仍然会以「免费 & 非会员」的形式提供给大家 ? 这样大家就能获得更好的学习体验啦 ~

敬请期待叭 ~

过了这一阵子后,公众号会恢复到「一周 3~4 篇」的更新频率滴 ~

背包问题(目录)

由于「背包问题」很多模板题在 LeetCode 上都没有模板题,同时公众号不能放外链,所以今晚建了一个背包仓库。

后面会给每篇文章配相应的原题地址,欢迎 mark ~

(持续更新)完整地址:https://github.com/SharingSource/Knapsack-Problem

  1. 01背包 : 背包问题 第一讲
    1. 【练习】01背包 : 背包问题 第二讲
    2. 【学习&练习】01背包 : 背包问题 第三讲
  2. 完全背包 : 背包问题 第四讲
    1. 【练习】完全背包 : 背包问题 第五讲
    2. 【练习】完全背包 : 背包问题 第六讲
    3. 【练习】完全背包 : 背包问题 第七讲
  3. 多重背包 : 背包问题 第八讲
  4. 多重背包(优化篇)
    1. 【上】多重背包(优化篇): 背包问题 第九讲
    2. 【下】多重背包(优化篇): 背包问题 第十讲
  5. 混合背包 : 本篇
    1. 【练习】混合背包
  6. 分组背包
    1. 【练习】分组背包
  7. 多维背包
    1. 【练习】多维背包
  8. 树形背包
    1. 【练习篇】树形背包
  9. 背包求方案数
    1. 【练习】背包求方案数
  10. 背包求具体方案
    1. 【练习】背包求具体方案
  11. 泛化背包
    1. 【练习】泛化背包
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-06-21,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 宫水三叶的刷题日记 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 前言
  • 回顾三种传统背包问题
  • 混合背包
  • 基本分析
  • 总结
  • 最后
  • 背包问题(目录)
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档