从0-1背包问题到动态规划

算法——贪心算法解0-1背包问题

局部最优策略（locally optimal decisions，比如贪心算法），并不保证全局最优（global optimums）
“在我的后园，可以看见墙外有两株树，一株是枣树，还有一株也是枣树。”，同样如果有两个手表，为了达到0/1背包问题的要求，也可转化为一个手表，还有一个手表。
brute force（暴力法）的本质是 exhaustive enumeration（穷举法）
一个算法的时间复杂度为指数级时，将会产生十分恐怖的计算量，而动态规划算法可以用来解决指数级时间复杂度的问题，只是说，有些指数级时间复杂度的问题可以通过动态规划算法求解，并非全部。

动态规划（Dynamic programming）核心概念有二：

overlapping subproblems: 重叠子问题

或者说，子问题（subproblems）出现了重叠，子问题的“重叠”意味着计算机的“重复计算”。比如，斐波那契数列的例子不像二分搜索（子问题之间比如独立，也即不存在子问题重叠的问题），可参考每周一刷——从斐波那契数列到动态规划。
optimal substructure: 最优子结构

所谓动态规划即是寻找这样的一个最优子结构（substructure），它通过引入 memo 查找表（look-up table）的形式实现对重叠的子问题只进行有限次的计算。也即：record value 1st time，look it up the subsequent times we need it（一次记录，多次使用）

背包问题（knapsack problem）又叫装箱问题（bin packing）。所谓0-1背包问题，对于一件物品要么拿走，要么不拿，不存在拿部分的情况，自然可与二进制对应起来，所谓当物品为 nn 时，样本空间的大小为：2n2^n。

为了实现用动态规划的方法进行背包问题的求解，我们首先来看使用动态规划求解斐波那契数列的问题，关于用动态规划求解斐波那契数列的详细讨论请见每周一刷——从斐波那契数列到动态规划。

def fib(n, m):if n not in m:m[n] = fib(n-1, m) + fib(n-2, m)return m[n]if __name__ == '__main__':m = {0:0, 1:1}print([fib(n, m) for n in range(10)])# [0, 1, 1, 2, 3, 5, 8, 13, 21, 34]

decision tree（决策树）

weights = [5, 3, 2]，三个物品各自的重量；
values = [9, 7, 8]，三个物品各自的价值；
max = 5，背包的最大承重；

所谓0/1背包问题，也即对每一件物品只有选和不选两种选择，也即分二叉，从当前节点出发，有两个分支。

我们定义如下的树的节点（node）结构：物品的编号，背包还能容纳的最大重量，当前背包所放物品的价值构成的三元组，我们以逆序遍历每件物品，所以根节点结构为：[2, 5, 0]。

def maxVal(i, w, v, c):if i == 0:return v[i] if w[i] <= 0 else 0without_i = maxVal(i-1, w, v, c)if w[i] > c:return without_iwith_i = v[i] + maxVal(i-1, w, v, c-w[i])return max(without_i, with_i)if __name__ == '__main__':weights = [5, 3, 2]values = [9, 7, 8]n, c = len(weights), 5print(maxVal(n-1, weights, values, c))

上例中的重叠子问题（overlapping subproblem）还不明显，当物品较多时，画出其决定树，便会出现大量的重叠子问题，又因为weights和values是固定不变的，真正变化的是物品编号以及当前背包还能容纳的物品重量。

def fastMaxVal(i, w, v, c, m):try:return m[(i, c)]except KeyError:if i == 0:if w[i] <= c:m[(i, c)] = v[i]return m[(i, c)]m[(i, c)] = 0return 0without_i = fastMaxVal(i-1, w, v, c, m)if w[i] > c:m[(i, c)] = without_ireturn m[(i, c)]with_i = v[i] + fastMaxVal(i-1, w, v, c-w[i], m)m[(i, c)] = max(with_i, without_i)return m[(i, c)]
if __name__ == '__main__':ws = [5, 3, 2]vs = [9, 7, 8]n, c = len(ws), 5m = {}print(fastMaxVal(n-1, ws, vs, c, m))

从0-1背包问题到动态规划相关推荐

动态规划之0/1背包问题（动态规划入门）
动态规划很早以前就接触过但是因为太晦涩难懂一下子到现在才开始真正的学习到其中的道理,0/1背包问题是动态规划的入门类问题比较好理解首先我们要知道动态规划是用于解决最优解的问题它是一种思想而不是一 ...
【算法设计与分析】7、0/1背包问题，动态规划
/** * 书本:<算法分析与设计> * 功能:给定n种物品和一个背包,物品i的重量是Wi, 其价值为Vi,问如何选择装入背包的物品,使得装入背包的物品的总价值最大? * 文件:beiBa ...
0/1背包问题——动态规划方法
1.定义动态规划:把多阶段过程转化为一系列单阶段问题,利用各阶段之间的关系,逐个求解. 2.求解步骤 (1)找到状态转化条件 (2)归纳状态转移方程 (3)定义初始条件值 3.实例解析--0/1背包 ...
【动态规划】0/1背包问题
问题 H: [动态规划]0/1背包问题时间限制: 1 Sec 内存限制: 64 MB 提交: 152 解决: 95 [提交] [状态] [讨论版] [命题人:admin] 题目描述张琪曼和李旭 ...
动态规划——0/1背包问题(全网最细+图文解析)
✨动态规划--0/1背包问题(全网最细+图文解析) 作者介绍:
0/1背包问题——动态规划、回溯、分支限界法对比
0/1背包问题--动态规划.回溯.分支限界法对比 2017.12.19 20:42:02 字数 3713 阅读 2820 目录 1.问题描述 1.1 问题描述 1.2 问题的数学表示(规划类问题,此种 ...
0/1背包问题-----动态规划求解
问题描述有n个物品和一个容量为c的背包,从n个物品中选取装包的物品.物品i的重量为w[i],价值为p[i].一个可行的背包装载是指,装包的物品总重量不超过背包的重量.一个最佳背包装载是指,物品总价值 ...
【Python】0/1背包、动态规划
0/1背包问题:在能承受一定重量的背包中,放入重量不同,价值不同的几件物品,怎样放能让背包中物品的价值最大? 比如,有三件物品重量w,价值v分别是 w=[5,3,2] v=[9,7,8] 包的容量是5 ...
Python 0/1背包、动态规划
参考:http://www.cnblogs.com/fcyworld/p/6243012.html Python 0/1背包.动态规划 0/1背包问题:在能承受一定重量的背包中,放入重量不同,价值不同 ...

从0-1背包问题到动态规划

decision tree（决策树）

从0-1背包问题到动态规划相关推荐

最新文章

热门文章