背包问题（01背包问题例题讲解）

　　背包问题（01背包问题例题讲解）2021-04-07 18:30·人民邮电出版社无论是Facebook、Google、Microsoft，还是百度、阿里、腾讯……每年大厂面试时总会考察动态规划问题。而作为动态规划类问题中非常重要的一个类别——背包问题，慢慢地走到了舞台中央成为面试高频题中的＂佼佼者＂。
　　背包问题的一个例子：应该选择哪些盒子，才能使价格尽可能地大，而保持重量小于或等于15 kg？图片源自：维基百科-背包问题
　　随着面试算法岗位的人数不断增多，背包问题也不像当初那样＂天真无邪＂，如今也是 ＂套路＂ 满满。0-1背包，多重背包，完全背包等背包问题，经历大厂面试官变题型、换表达、改套路之后，让无数面试者短时间内无法找到问题需求，内心os＂这题想干嘛？＂。很多人都在背包问题上，跪了......
　　图片源自：谷歌图片搞笑表情包
　　背包问题看起来是个简单的数学问题，但背后的算法逻辑相当复杂，短时间分析不出来，基本上就凉凉了。很多人在面试过程中可能就是因为没有做出一道背包问题，而被大厂拒之门外。如何才能快速掌握背包问题的解题套路，成为大厂offer收割机呢？
　　跟人邮君一起快速掌握＂背包问题＂解题技巧，go！趣学算法(异步图书出品)￥77.4购买什么背包问题？
　　背包问题（Knapsack problem）是一种组合优化的NP完全问题。
　　问题可以描述为：给定一组物品，每种物品都有自己的重量和价格，在限定的总重量内，我们如何选择，才能使得物品的总价格最高。
　　相似问题经常出现在商业、组合数学，计算复杂性理论、密码学和应用数学等领域中。也可以将背包问题描述为决定性问题，即在总重量不超过W的前提下，总价值是否能达到V。背包问题有哪些？
　　背包问题分为以下五种：
　　0-1背包问题
　　多重背包问题
　　完全背包问题
　　分组背包问题
　　混合背包问题学习背包问题有什么作用？
　　背包问题是互联网公司最常见的算法面试题，由于其代码量较小而思维量较大的特点而深受面试官的钟爱。此外，背包问题是学习动态规划的基础，是动态规划入门阶段必须要熟练掌握的问题。这也是为什么背包问题日渐成为大厂面试高频题中的＂佼佼者＂的原因所在。熟练掌握0-1 背包，多重背包，完全背包等背包问题的解法，可以加深初学者对于动态规划中状态的理解。0-1背包问题
　　问题描述
　　给定n个物品的权重和值，将这些物品放在容量为W的背包中，以在背包中获得最大的总价值。换句话说，给定两个整数数组value[0..n-1]和weight[0..n-1]，它们分别表示与n个项目相关联的值和权重。还给定代表背包容量的整数W，找出val[]的最大值子集，以使该子集的权重之和小于或等于W。本题中value[]={60,100,120}，weight[]={10,20,30},
　　W=50。
　　解题方法方法1：通过蛮力算法或穷举搜索进行递归。
　　方法：一种简单的解决方案是考虑所有项目子集，并计算所有子集的总重量和价值。仅考虑总权重小于W的子集。从所有此类子集中，选择最大值子集。
　　最佳子结构：要考虑项目的所有子集，每个项目可能有两种情况。
　　情况1：该项目包含在最佳子集中。
　　情况2：该商品未包含在最佳组合中。
　　因此，可以从n个项目中获得的最大值是以下两个值中的最大值。
　　通过n-1个项和W权重（不包括第n个项）获得的最大值。
　　第n个项目的值加上n-1个项目获得的最大值，W减去第n个项目（包括第n个项目）的权重。
　　如果第n个项目的权重大于 W，则第n个项目不能包括在内，情况1是唯一的可能性。
　　下面是上述方法的python代码实现defknapSack(W,wt,val,n):#BaseCase  ifn==0orW==0:  return0#Ifweightofthenthitemis#morethanKnapsackofcapacityW,#thenthisitemcannotbeincluded#intheoptimalsolution  if(wt[n-1]>W):  returnknapSack(W,wt,val,n-1)#returnthemaximumoftwocases:#(1)nthitemincluded#(2)notincluded  else:  returnmax(  val[n-1]+knapSack(  W-wt[n-1],wt,val,n-1),  knapSack(W,wt,val,n-1))#endoffunctionknapSack#DriverCodeval=[60,100,120]wt=[10,20,30]W=50n=len(val)printknapSack(W,wt,val,n)
　　复杂度分析
　　时间复杂度： O（）。
　　由于存在多余的子问题。
　　辅助空间： O（1）。
　　由于没有额外的数据结构用于存储值。方法2：通过自下而上的方式构造临时数组K[][]，可以避免重新计算相同子问题。
　　方法：在动态编程中，我们将考虑与递归方法中提到的情况相同的情况。在DP[][]表中，让我们将从1到W的所有可能的权重视为列，并将权重保留为行。考虑到从1到第i的所有值，状态DP[i][j]将表示j-weight的最大值。因此，如果我们考虑wi（ith行中的权重），则可以将其填充到weight value> wi的所有列中。
　　现在可以发生两种可能性：
　　在给定的列中填写wi。
　　不要在给定的列中填写wi。
　　现在，我们必须最大限度地考虑这两种可能性，形式上，如果我们不在jth列中填充ith权重，则DP[i][j]状态将与DP[i-1][j]相同，但是如果我们填充权重，则DP[i][j]将等于wi的值+上一行中权重为j-wi的列的值。因此，我们将这两种可能性中的最大值用于填充当前状态。
　　下面是上述方法的python代码实现：defknapSack(W,wt,val,n):  K=[[0forxinrange(W+1)]forxinrange(n+1)]  #BuildtableK[][]inbottomupmanner  foriinrange(n+1):  forwinrange(W+1):  ifi==0orw==0:  K[i][w]=0  elifwt[i-1]<=w:  K[i][w]=max(val[i-1]  +K[i-1][w-wt[i-1]],  K[i-1][w])  else:  K[i][w]=K[i-1][w]    returnK[n][W]#Drivercodeval=[60,100,120]wt=[10,20,30]W=50n=len(val)print(knapSack(W,wt,val,n))
　　复杂度分析
　　时间复杂度：O（N * W）。
　　其中N是重量元素的数量，W是容量。对于每个重量元素，我们遍历所有重量容量1 <= w <= W。
　　辅助空间：O（N * W）。
　　使用大小为＂N * W＂的二维数组。方法3：使用记忆技术。
　　方法：此方法基本上是递归方法的扩展，因此我们可以克服计算冗余案例的问题，从而增加了复杂性。我们可以通过简单地创建一个二维数组来解决这个问题，如果我们第一次得到它，它可以存储一个特定的状态（n,w）。现在，如果我们再次遇到相同的状态（n,w），而不是以指数复杂度进行计算，我们可以直接以固定时间返回存储在表中的结果。在此方面，此方法相对于递归方法具有优势。
　　下面是上述方法的python代码实现val=[60,100,120]wt=[10,20,30]W=50n=len(val)#Weinitializethematrixwith-1atfirst.t=[[-1foriinrange(W+1)]forjinrange(n+1)]  defknapsack(wt,val,W,n):#baseconditions  ifn==0orW==0:  return0  ift[n][W]!=-1:  returnt[n][W]#choicediagramcode  ifwt[n-1]<=W:  t[n][W]=max(  val[n-1]+knapsack(  wt,val,W-wt[n-1],n-1),  knapsack(wt,val,W,n-1))  returnt[n][W]  elifwt[n-1]>W:  t[n][W]=knapsack(wt,val,W,n-1)  returnt[n][W]print(knapsack(wt,val,W,n))
　　复杂度分析：
　　时间复杂度：O（N * W）。
　　由于避免了状态的冗余计算。
　　辅助空间：O（N * W）。
　　使用2D数组数据结构存储中间状态。
　　推荐阅读
　　趣学算法
　　陈小玉 著