动态规划（Dynamic Programming，DP）与分治区别在于划分的子问题是有重叠的，解过程中对于重叠的部分只要求解一次，记录下结果，其他子问题直接使用即可，减少了重复计算过程。
另外，DP在求解一个问题最优解的时候，不是固定的计算合并某些子问题的解，而是根据各子问题的解的情况选择其中最优的。
动态规划求解具有以下的性质：
最优子结构性质、子问题重叠性质
最优子结构性质：最优解包含了其子问题的最优解，不是合并所有子问题的解，而是找最优的一条解线路，选择部分子最优解来达到最终的最优解。
子问题重叠性质：先计算子问题的解，再由子问题的解去构造问题的解（由于子问题存在重叠，把子问题解记录下来为下一步使用，这样就直接可以从备忘录中读取）。其中备忘录中先记录初始状态。
2、求解思路
①、将原问题分解为子问题（子问题和原问题形式相同，且子问题解求出就会被保存）；
②、确定状态：01背包中一个状态就是N” role=”presentation” style=”position: relative;”>NN背包中；
③、确定一些初始状态（边界状态）的值；
④、确定状态转移方程，如何从一个或多个已知状态求出另一个未知状态的值。（递推型）
3、01背包问题求解思路
①、确认子问题和状态
01背包问题需要求解的就是，为了体积V的背包中物体总价值最大化，N” role=”presentation” style=”position: relative;”>NN件应该放入背包中吗？（其中每个物品最多只能放一件）
为此，我们定义一个二维数组，其中每个元素代表一个状态，即前i” role=”presentation” style=”position: relative;”>ii的背包中的最大价值。
②、初始状态
初始状态为f[0][0−V]” role=”presentation” style=”position: relative;”>f[0][0−V]f[0][0−V]都为0，前者表示前0个物品（也就是空物品）无论装入多大的包中总价值都为0，后者表示体积为0的背包啥价值的物品都装不进去。
③、转移函数
if (背包体积j小于物品i的体积)
f[i][j] = f[i-1][j] //背包装不下第i个物体，目前只能靠前i-1个物体装包
else
f[i][j] = max(f[i-1][j], f[i-1][j-Vi] + Wi)
- 1
- 2
- 3
- 4
最后一句的意思就是根据“为了体积V的背包中物体总价值最大化，N” role=”presentation” style=”position: relative;”>NN件物品的价值。这样f[i-1][j]代表的就是不将这件物品放入背包，而f[i-1][j-Vi] + Wi则是代表将第i件放入背包之后的总价值，比较两者的价值，得出最大的价值存入现在的背包之中。
4、程序
#include<iostream>
using namespace std;
int main()
{
int nArr[6][13] = {{0}};
int nCost[6] = {0 , 2 , 5 , 3 , 10 , 4}; //花费
int nVol[6] = {0 , 1 , 3 , 2 , 6 , 2}; //物体体积
int bagV = 12;
for( int i = 1; i< sizeof(nCost)/sizeof(int); i++)
{
for( int j = 1; j<=bagV; j++)
{
if(j<nVol[i])
nArr[i][j] = nArr[i-1][j];
else
nArr[i][j] = max(nArr[i-1][j] , nArr[i-1][j-nVol[i]] + nCost[i]);
cout<<nArr[i][j]<<' ';
}
cout<<endl;
}
cout<<nArr[5][12]<<endl;
return 0;
}
- 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
01背包问题其实就可以化简为涂写下面的表格，其中每个数对应数组nArr中每个元素，初始化部分为0，然后从左上角按行求解，一直求解到右下角获取最终解nArr[5][12]。
个人学习记录，由于能力和时间有限，如果有错误望读者纠正，谢谢！