动态规划法(四)0-1背包问题(0-1 Knapsack Problem)
继续讲故事~~
转眼我们的主人公丁丁就要离开自己的家乡,去大城市见世面了。这天晚上,妈妈正在耐心地帮丁丁收拾行李。家里有个最大能承受20kg的袋子,可是妈妈却有很多东西想装袋子里,已知行李的编号、重要、价值如下表所示:
妈妈想要在袋子所能承受的范围内,使得行李的价值最大,并且每件行李只能选择带或者不带。这下妈妈可犯难了,虽然收拾行李不在话下,但是想要解决这个问题,那就不是她的专长了。于是,她把这件事告诉了丁丁。
丁丁听了,想起了几天前和小连一起解决的子集和问题(subset sum problem),他觉得这个背包问题(其实是0-1背包问题)和子集和问题有很多类似之处,应该也是用动态规划法来解决。有个这个想法,他就立马拿出稿纸开始推演起来:
假设背包总的承受重要为W, 总的行李j件数为n,行李的重量列表为w, 价值的列表为v。 假设用dp(i,j)表示用前i个物体,总重要不超过j千克,且价值最大的情况。则有以下情况:
- 若第i件行李的重要w[i] > j, 则不考虑第i件行李,即dp(i,j)=dp(i-1,j).
- 若第i件行李的重要w[i] <= j, 则有两种情况: 一种不放入第i件行李,则dp(i,j)=dp(i-1,j); 另一种情况,放入第i件行李,则dp(i,j)=d(i-1, j-w[i])+v[i]。 应该选取两者之间的最大值,即dp(i,j)=max{dp(i-1,j), dp(i-1, j-w[i])+v[i]}。
该问题的子结构有了。那么,接下来,只需要考虑初始值即可:
对于任意的i,j, 有dp(i,0)=dp(0,j)=0.
这样他就完整地描述了该背包问题的算法。于是,他在自己的电脑上迅速地写下了如下的Python代码:
# dynamic programming in 0-1 Knapsack Problem
import numpy as np
# n: number of objects
# W: total weight
# w: list of weight of each object
# v: list of value of each object
# return: maximum value of 0-1 Knapsack Problem
def Knapsack_01(n, W, w, v):
# create (n+1)*(W+1) table initialized with all 0
dp = np.array([[0]*(W+1)]*(n+1))
# using DP to solve 0-1 Knapsack Problem
for i in range(1, n+1):
for j in range(1, W+1):
# if ith item's weight is bigger than j, then do nothing
if w[i-1] > j:
dp[i,j] = dp[i-1, j]
else: # compare the two situations: putt ith item in or not
dp[i,j] = max(dp[i-1, j], v[i-1] + dp[i-1, j-w[i-1]])
return dp[n][W] # maximum value of 0-1 Knapsack Problem
# test
W = 20
w = (1, 2, 5, 6, 7, 9)
v = (1, 6, 18, 22, 28, 36)
n = len(w)
t = Knapsack_01(n, W, w, v)
print('max value : %s'%t)
输出结果如下:
max value : 76
最大的价值是得到了,可是应该选取哪几件行李的?丁丁想到了子集和问题,选取行李即相当于选取价值集合的一个子集,使得它们的和为最大价值。于是,代码就变成了:
# dynamic programming in 0-1 Knapsack Problem
import numpy as np
# n: number of objects
# W: total weight
# w: list of weight of each object
# v: list of value of each object
# return: maximum value of 0-1 Knapsack Problem
def Knapsack_01(n, W, w, v):
# create (n+1)*(W+1) table initialized with all 0
dp = np.array([[0]*(W+1)]*(n+1))
# using DP to solve 0-1 Knapsack Problem
for i in range(1, n+1):
for j in range(1, W+1):
# if ith item's weight is bigger than j, then do nothing
if w[i-1] > j:
dp[i,j] = dp[i-1, j]
else: # compare the two situations: putt ith item in or not
dp[i,j] = max(dp[i-1, j], v[i-1] + dp[i-1, j-w[i-1]])
return dp[n][W] # maximum value of 0-1 Knapsack Problem
# using DP to solve subset sum problem
def isSubsetSum(v, n, max_value):
# The value of subset[i, j] will be
# true if there is a subset of
# set[0..j-1] with sum equal to i
subset = np.array([[True]*(max_value+1)]*(n+1))
# If sum is 0, then answer is true
for i in range(0, n+1):
subset[i, 0] = True
# If sum is not 0 and set is empty,
# then answer is false
for i in range(1, max_value+1):
subset[0, i] = False
# Fill the subset table in bottom-up manner
for i in range(1, n+1):
for j in range(1, max_value+1):
if j < v[i-1]:
subset[i, j] = subset[i-1, j]
else:
subset[i, j] = subset[i-1, j] or subset[i-1, j-v[i-1]]
if subset[n, max_value]:
sol = []
# using backtracing to find the solution
i = n
while i >= 0:
if subset[i, max_value] and not subset[i-1, max_value]:
sol.append(v[i-1])
max_value -= v[i-1]
if max_value == 0:
break
i -= 1
return sol
else:
return []
def main():
# test
W = 20
w = (1, 2, 5, 6, 7, 9)
v = (1, 6, 18, 22, 28, 36)
n = len(w)
max_value = Knapsack_01(n, W, w, v)
sol = isSubsetSum(v, n, max_value)
items = [v.index(i) for i in sol]
print('Max value : %s'%max_value)
print('Chosen items: %s'%items)
main()
输出结果如下:
Max value : 76
Chosen items: [5, 3, 2]
因此,在妈妈的这个问题中,能达到的最大价值为76, 应该选取第2,3,5件行李。
解决该问题后,丁丁立马把结果和解答的过程告诉了妈妈。妈妈虽然没有听懂,但是确信这就是正确答案,同时也深深地为自己的儿子感到自豪,只是,心里总是有点不舍。她语重心长地对丁丁说道:“大城市不比我们乡下,要时刻注意自己的安全,同时,也不要过分炫耀自己的能力,要谦虚做人,谨慎行事。”丁丁点点了,其实,他也舍不得离开家,离开妈妈,但是,毕竟他想要去看看外面的世界~~
未完待续~~
注意:本人现已开通两个微信公众号: 用Python做数学(微信号为:python_math)以及轻松学会Python爬虫(微信号为:easy_web_scrape), 欢迎大家关注哦~~
动态规划法(四)0-1背包问题(0-1 Knapsack Problem)的更多相关文章
- 0-1背包问题(0-1 knapsack problem)
0-1背包问题描述:一个正在抢劫商店的小偷发现了n个商品,第i个商品价值 vi 美元,重 wi 磅,vi 和 wi 都是整数.这个小偷希望拿走价值尽量高的商品,但他的背包最多能容纳 S 磅重的商品,S ...
- Java实现动态规划法求解0/1背包问题
摘要: 使用动态规划法求解0/1背包问题. 难度: 初级 0/1背包问题的动态规划法求解,前人之述备矣,这里所做的工作,不过是自己根据理解实现了一遍,主要目的还是锻炼思维和编程能力,同时,也是为了增进 ...
- 经典递归问题:0,1背包问题 kmp 用遗传算法来解背包问题,hash表,位图法搜索,最长公共子序列
0,1背包问题:我写笔记风格就是想到哪里写哪里,有很多是旧的也没删除,代码内部可能有很多重复的东西,但是保证能运行出最后效果 '''学点高大上的遗传算法''' '''首先是Np问题的定义: npc:多 ...
- 蓝桥杯 0/1背包问题 (java)
今天第一次接触了0/1背包问题,总结一下,方便以后修改.不对的地方还请大家不啬赐教! 上一个蓝桥杯的例题: 数据规模和约定 代码: import java.util.Scanner; public ...
- 四、C# 5.0 新特性——Async和Await使异步编程更简单
一.引言 .NET 4.5 的推出,对于C#又有了新特性的增加--就是C#5.0中async和await两个关键字,这两个关键字简化了异步编程,之所以简化了,还是因为编译器给我们做了更多的工作,下面就 ...
- 0/1 knapsack problem
Problem statement Given n items with size Ai and value Vi, and a backpack with size m. What's the ma ...
- 【opencv学习笔记四】opencv3.4.0图形用户接口highgui函数解析
在笔记二中我们已经知道了,在highgui文件夹下的正是opencv图形用户接口功能结构,我们这篇博客所说的便是D:\Program Files\opencv340\opencv\build\incl ...
- c#学习<四>:C#2.0、C#3.0
委托的演变 委托(C#1.0) 委托可看作是只定义了一个方法的接口,将委托的实例看作实现了这个接口的一个对象. 委托的执行要满足4个条件: 1. 声明委托类型 ...
- 对背包问题(Knapsack Problem)的算法探究
对背包问题(Knapsack Problem)的算法探究 至繁归于至简,这次自己仍然用尽可能易理解和阅读的解决方式. 1.问题说明: 假设有一个背包的负重最多可达8公斤,而希望在背包中装入负重范围内可 ...
随机推荐
- solr7.7.0搜索引擎使用(三)(添加文件索引)
众所周知,solr与es的最大区别是,solr可以对pdf,txt,doc等文件生成索引 那我们如何添加文件索引呢? 步骤1.添加core,取名暂且为 coreFile 在bin下执行命令 ./sol ...
- Python Day 2
阅读目录: 内容回顾 编程语言介绍 python语言介绍 安装官方cpython解释器 --版本共存 运行python代码 --交互式:实时交互 --脚本式:运行py文件的三步骤 变量 ...
- 牛客练习赛31 B 赞迪卡之声妮莎与奥札奇 逻辑,博弈 B
牛客练习赛31 B 赞迪卡之声妮莎与奥札奇 https://ac.nowcoder.com/acm/contest/218/B 时间限制:C/C++ 1秒,其他语言2秒 空间限制:C/C++ 2621 ...
- POJ 1328 Radar Installation 贪心 A
POJ 1328 Radar Installation https://vjudge.net/problem/POJ-1328 题目: Assume the coasting is an infini ...
- qhfl-4 注册-登录-认证
认证 任何的项目都需要认证,当用户输入了用户名和密码,验证通过,代表用户登录成功 那HTTP请求是无状态的,下次这个用户再请求,是不可能识别这个用户是否登录的 就要有自己的方式来实现这个认证,用户登录 ...
- Codeforces Round #485 (Div. 2) A. Infinity Gauntlet
Codeforces Round #485 (Div. 2) A. Infinity Gauntlet 题目连接: http://codeforces.com/contest/987/problem/ ...
- Paper | 块分割信息 + 压缩视频质量增强
目录 1. 亮点 2. 网络 3. Mask 及其融合 4. 结论 论文:Enhancing HEVC Compressed Videos with a Partition-Masked Convol ...
- java基础-位运算符
1.位运算符 << 左移 : 右边以0填充 >> 带符号右移: 负数前面补1,整数补0 >>>不带符号右移 & 按位与运算 ...
- Markdown新手教程
目录 什么是Markdown? 用Markdown写作有什么优缺点? 有哪些比较好的Markdown写作工具? markdown语法 标题 水平分区线 引用 中划线 斜体 粗体 斜粗体 链接 图片 无 ...
- Swift5 语言指南(九) 闭包
闭包是自包含的功能块,可以在代码中传递和使用.Swift中的闭包类似于C和Objective-C中的块以及其他编程语言中的lambdas. 闭包可以从定义它们的上下文中捕获和存储对任何常量和变量的引用 ...