最近的工作都跟集群调度有关,一直在为了满足用户需求添加各种调度策略,现在也暂时告一段落了,抽时间总结思考了之前的工作,调度本质上就是背包问题,但是相当复杂,涉及到多维多重背包、组合背包、依赖背包等。又重新开始学习背包问题,这里先从简单的01背包开始讲,在网上也找到了很多相关的文章,但是很遗憾,我找到的很多关于用golang实现背包的文章中给出的代码都是有问题的,后决定自己写出来,也希望大家一起思考,不要被误导了。
有有N件物品和一个容量为V的背包。第i件物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使价值总和最大。
这是最基础的背包问题,特点是:每种物品仅有一件,可以选择放或不放。
用子问题定义状态:即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。则其状态转移方程便是:
f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}
这个方程非常重要,基本上所有跟背包相关的问题的方程都是由它衍生出来的。所以有必要将它详细解释一下:“将前i件物品放入容量为v的背包中”这个子问题,若只考虑第i件物品的策略(放或不放),那么就可以转化为一个只牵扯前i-1件物品的问题。如果不放第i件物品,那么问题就转化为“前i-1件物品放入容量为v的背包中”,价值为f[i-1][v];如果放第i件物品,那么问题就转化为“前i-1件物品放入剩下的容量为v-c[i]的背包中”,此时能获得的最大价值就是f[i-1][v-c[i]]再加上通过放入第i件物品获得的价值w[i]。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | func main() { v := []int{7, 5, 8} //物品大小 w := []int{2, 3, 4} //物品价值 goods := [][]int{ []int{7, 2}, []int{5, 3}, []int{8, 4}, } fmt.Println(zeroonepack1(v, w, 5)) fmt.Println(zeroonepack(goods, 5)) fmt.Println(zeroonepack2(v, w, 5)) } // 结果应该都是3才对 |
---|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 | // 0 消耗 1 价值 // i 物品数 j 容量 // dp[i][j] = max(dp[i-1][j], goods[i][1] + dp[i-1][j-goods[i][0]]) func zeroonepack(goods [][]int, capacity int) int { num := len(goods) dp := make([][]int, num) for i := 0; i < num; i++ { dp[i] = make([]int, capacity+1) } for i := goods[0][0]; i < capacity+1; i++ { dp[0][i] = goods[0][1] } for i := 1; i < num; i++ { // j不能直接从good[i][0]开始 for j := 0; j <= capacity; j++ { // 此if else判断必须要有 if j >= goods[i][0] { dp[i][j] = max(dp[i-1][j], dp[i-1][j-goods[i][0]]+goods[i][1]) } else { dp[i][j] = dp[i-1][j] } } } return dp[num-1][capacity] } func zeroonepack1(weight []int, value []int, capacity int) int { num := len(weight) dp := make([][]int, num) for i := 0; i < num; i++ { dp[i] = make([]int, capacity+1) } for i := weight[0]; i <= capacity; i++ { dp[0][i] = value[0] } for i := 1; i < num; i++ { for j := 0; j <= capacity; j++ { if j >= weight[i] { dp[i][j] = max(dp[i-1][j], dp[i-1][j-weight[i]]+value[i]) } else { dp[i][j] = dp[i-1][j] } } } return dp[num-1][capacity] } |
---|
上面都是二维数组的实现,空间复杂度是O(VN),区别就是传入的参数不同,用二维数组表示物品,或者用两个一维数组分别表示物品的消耗(重量或体积等)和价值,特别注意上面的注释,很多golang版本的代码就是那里出的问题,错误版本的代码参考这里
以上方法的时间和空间复杂度均为O(VN),其中时间复杂度应该已经不能再优化了,但空间复杂度却可以优化到O。
先考虑上面讲的基本思路如何实现,肯定是有一个主循环i=1..N,每次算出来二维数组f[i][0..V]的所有值。那么,如果只用一个数组f[0..V],能不能保证第i次循环结束后f[v]中表示的就是我们定义的状态f[i][v]呢?f[i][v]是由f[i-1][v]和f[i-1][v-c[i]]两个子问题递推而来,能否保证在推f[i][v]时(也即在第i次主循环中推f[v]时)能够得到f[i-1][v]和f[i-1][v-c[i]]的值呢?事实上,这要求在每次主循环中我们以v=V..0的顺序推f[v],这样才能保证推f[v]时f[v-c[i]]保存的是状态f[i-1][v-c[i]]的值。代码如下:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 | func zeroonepack2(weight []int, value []int, capacity int) int { num := len(weight) dp := make([]int, capacity+1) for i := weight[0]; i < capacity; i++ { dp[i] = value[0] } for i := 1; i < num; i++ { for j := capacity; j >= 0; j-- { if j >= weight[i] { dp[j] = max(dp[j], dp[j-weight[i]]+value[i]) } } } return dp[capacity] } |
---|
其中的f[v]=max{f[v],f[v-c[i]]}一句恰就相当于我们的转移方程f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]}
,因为现在的f[v-c[i]]就相当于原来的f[i-1][v-c[i]]。如果将v的循环顺序从上面的逆序改成顺序的话,那么则成了f[i][v]由f[i][v-c[i]]推知,与本题意不符,但它却是另一个重要的背包问题最简捷的解决方案,故学习只用一维数组解01背包问题是十分必要的。