动态规划之01背包问题及改进.docx
《动态规划之01背包问题及改进.docx》由会员分享,可在线阅读,更多相关《动态规划之01背包问题及改进.docx(8页珍藏版)》请在冰点文库上搜索。
动态规划之01背包问题及改进
动态规划之-0-1背包问题及改进
有N件物品和一个容量为V的背包。
第i件物品的重量是w[i],价值是v[i]。
求解将哪些物品装入背包可使这些物品的重量总和不超过背包容量,且价值总和最大。
在选择装入背包的物品时,对于每种物品i,只能选择装包或不装包,不能装入多次,也不能部分装入,因此成为0-1背包问题。
形式化描述为:
给定n个物品,背包容量C>0,重量 第i件物品的重量w[i]>0,价值v[i] >0,1≤i≤n.要求找一n元向量(X1,X2,…,Xn,),Xi∈{0,1},使得∑(w[i] * Xi) ≤C,且∑v[i]* Xi达最大.即一个特殊的整数规划问题。
数学描述为:
求解最优值:
设最优值m(i,j)为背包容量为j、可选择物品为i,i+1,……,n时的最优值(装入包的最大价值)。
所以原问题的解为m(1,C)
将原问题分解为其子结构来求解。
要求原问题的解m(1,C),可从m(n,C),m(n-1,C),m(n-2,C).....来依次求解,即可装包物品分别为(物品n)、(物品n-1,n)、(物品n-2,n-1,n)、……、(物品1,物品2,……物品n-1,物品n)。
最后求出的值即为最优值m(1,C)。
若求m(i,j),此时已经求出m(i+1,j),即第i+1个物品放入和不放入时这二者的最大值。
对于此时背包剩余容量 j=0,1,2,3……C,分两种情况:
(1)当 w[i]>j ,即第i个物品重量大于背包容量j时,m(i,j)=m(i+1,j)
(2)当 w[i]<=j ,即第i个物品重量不大于背包容量j时,这时要判断物品i放入和不放入对m的影响。
若不放入物品i,则此时m(i,j)=m(i+1,j)
若放入物品i,此时背包剩余容量为j-w[i],在子结构中已求出当容量k=0,1,2……C时的最优值m(i+1,k)。
所以此时m(i,j)=m(i+1,j-w[i])+v[i]。
取上述二者的最大值,即m(i,j)=max{ m(i+1,j),m(i+1,j-w[i])+v[i] }
总结得出状态转移方程为:
该算法的python代码实现:
1#0-1背包问题
2__author__='ice'
3
4
5#背包容量0~capacity,不是0~capacity-1
6defknapsack(weight,value,capacity):
7iflen(weight)!
=len(value):
8print("parametererr!
")
9return
10obj_num=len(weight)
11result=[[]forxinrange(obj_num)]
12divide=min(weight[-1],capacity)
13result[-1]=[0forxinrange(divide)]
14result[-1].extend(value[-1]forxinrange(divide,capacity+1))
15foriinreversed(list(range(1,obj_num-1))):
16divide=min(weight[i],capacity)
17forjinrange(divide):
18result[i].append(result[i+1][j])
19forjinrange(divide,capacity+1):
20result[i].append(max(result[i+1][j],result[i+1][j-weight[i]]+value[i]))
21
22result[0]={capacity:
result[1][capacity]}
23ifweight[0]<=capacity:
24result[0][capacity]=max(result[1][capacity],result[1][capacity-weight[0]]+value[0])
25
26vector=[0forxinrange(obj_num)]
27capacity_temp=capacity
28foriinrange(obj_num-1):
29ifresult[i][capacity_temp]!
=result[i+1][capacity_temp]:
30vector[i]=1
31capacity_temp-=weight[i]
32
33ifcapacity_temp==0:
34vector[-1]=0
35else:
36vector[-1]=1
37
38return{'total_value':
result[0][capacity],'select':
vector}
但是,该算法有两个明显的缺点:
1,基于上述代码,因为数组索引的需要,要求所给物品重量为整数。
2,当背包容量C很大时,算法所需计算时间较多。
当C>2^n时,需要Ω(n*2^n)计算时间。
所以,改进算法如下:
对于函数m(i,j)的值,当i确定,j为自变量时,是单调不减的跳跃式增长,如图所示。
而这些跳跃点取决于在(物品i,物品i+1,……物品n)中选择放入哪些物品使得在放入重量小于容量j(0<=j<=C)的情况下m取得最大值。
对于每一个确定的i值,都有一个对应的跳跃点集Pi={ ( j, m(i,j) ),……}。
j始终小于等于C
(1)开始求解时,先求Pi,初始时Pn+1={(0,0)},i=n+1,由此按下列步骤计算Pi-1,Pi-2……P1,即Pn,Pn-1,……P1
(2)求Qi,利用Pi求出m(i,j-w[i-1])+v[i-1],即Pi当放入物品i-1后的变化后的跳跃点集Qi={ ( j+w[i-1], m(i,j)+v[i-1] ),……},在函数图像上表现为所有跳跃点横轴坐标右移w[i-1],纵轴坐标上移v[i-1]。
(3)求Pi-1,即求Pi∪Qi然后再去掉受控跳跃点后的点集。
此处有个受控跳跃点的概念:
若点(a,b),(c,d)∈Pi∪Qi,且a<=c,b>d,则(c,d)受控于(a,b),所以(c,d)∉Pi-1。
去掉受控跳跃点,是为了求得在物品i-1放入后m较大的点,即使m取最优值的跳跃点。
由此计算得出Pn,Pn-1,……,P1。
求得P1的最后那个跳跃点即为所求的最优值m(1,C)。
举个例子
n=5,c=10,w={2,2,6,5,4},v={6,3,5,4,6}。
跳跃点的计算过程如下:
初始时p[6]={(0,0)}
因此,q[6]=p[6]⊕(w[5],v[5])={(4,6)}
p[5]={(0,0),(4,6)}
q[5]=p[5]⊕(w[4],v[4])={(5,4),(9,10)}
p[4]={(0,0),(4,6),(9,10)} p[5]与q[5]的并集p[5]∪q[5]={(0,0),(4,6),(5,4),(9,10)}中跳跃点(5,4)受控于跳跃点(4,6)。
将受控跳跃点(5,4)清除后,得到p[4]
q[4]=p[4]⊕(6,5)={(6,5),(10,11)}
p[3]={(0,0),(4,6),(9,10),(10,11)}
q[3]=p[3]⊕(2,3)={(2,3),(6,9)}
p[2]={(0,0),(2,3),(4,6),(6,9),(9,10),(10,11)}
q[2]=p[2]⊕(2,6)={(2,6),(4,9),(6,12),(8,15)}
p[1]={(0,0),(2,6),(4,9),(6,12),(8,15)}
p[1]的最后的那个跳跃点(8,15)即为所求的最优值,m(1,C)=15
最后,python代码的实现:
1classPoint:
2def__init__(self,x,y):
3self.x=x
4self.y=y
5
6
7#0-1背包问题改进
8defknapsack_improve(weight,value,capacity):
9iflen(weight)!
=len(value):
10print("parametererr!
")
11return
12obj_num=len(weight)
13jump_points_p=[[]forxinrange(obj_num)]
14jump_points_q=[[]forxinrange(obj_num)]
15jump_points_p.append([Point(0,0)])
16jump_points_q.append([Point(weight[obj_num-1],value[obj_num-1])])
17foriinreversed(list(range(1,obj_num))):
18jump_points_p[i]=merge_points(jump_points_p[i+1],jump_points_q[i+1])
19jump_points_q[i]=[Point(point.x+weight[i-1],point.y+value[i-1])forpointinjump_points_p[i]if
20point.x+weight[i-1]<=capacity]
21result=merge_points(jump_points_p[1],jump_points_q[1])
22returnresult
23
24
25defmerge_points(points_x,points_y):
26x_len=len(points_x)
27y_len=len(points_y)
28merged_points=[]
29i=j=0
30whileTrue:
31ifi==x_lenorj==y_len:
32break
33ifpoints_x[i].x34merged_points.append(points_x[i])
35ifpoints_x[i].y>=points_y[j].y:
36j+=1
37i+=1
38else:
39merged_points.append(points_y[j])
40ifpoints_y[j].y>=points_x[i].y:
41i+=1
42j+=1
43whilei44ifpoints_x[i].x>merged_points[-1].xandpoints_x[i].y>merged_points[-1].y:
45merged_points.append(points_x[i])
46i+=1
47whilej48ifpoints_y[j].x>merged_points[-1].xandpoints_y[j].y>merged_points[-1].y:
49merged_points.append(points_y[j])
50j+=1
51returnmerged_points
52
53
54result=knapsack_improve([2,2,6,5,4],[6,3,5,4,6],10)
55print()
56forpointinresult:
57print('('+str(point.x)+','+str(point.y)+')',end='')
58
59#(0,0)(2,6)(4,9)(6,12)(8,15)