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:
行李编号 | 1 | 2 | 3 | 4 | 5 | 6 |
---|---|---|---|---|---|---|
重量(kg) | 1 | 2 | 5 | 6 | 7 | 9 |
价值 | 1 | 6 | 18 | 22 | 28 | 36 |
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~~
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
Java锁优化
Java锁优化 应用程序在并发环境下会产生很多问题,通常情况下,我们可以通过加锁来解决多线程对临界资源的访问问题。但是加锁往往会成为系统的瓶颈,因为加锁和释放锁会涉及到与操作系统的交互,会有很大的性能问题。那么这个时候基于锁的优化手段就显得很重要了。 一般情况下,可以从两个角度进行锁优化:对单个锁算法的优化和对锁粒度的细分。 1. 单个锁的优化 自旋锁: 非自旋锁在未获取锁的情况会被阻塞,之后再唤醒尝试获得锁。而JDK的阻塞和唤醒是基于操作系统实现的,会有系统资源的开销。自旋锁就是线程不停地循环尝试获得锁,而不会将自己阻塞,这样不会浪费系统的资源开销,但是会浪费CPU的资源。所有现在的JDK大部分都是先自旋等待,如果自旋等待一段时间之后还没有获取到锁,就会将当前线程阻塞。 锁消除: 当JVM分析代码时发现某个方法只被单个线程安全访问,而且这个方法是同步方法,那么JVM就会去掉这个方法的锁。 单个锁优化的瓶颈: 对单个锁优化的效果就像提高单个CPU的处理能力一样,最终会由于各个方面的限制而达到一个平衡点,到达这个点之后优化单个锁的对高并发下面锁的优化效果越来越低。所以将一个锁...
- 下一篇
Java 学习(08)--数组常见问题
Java 学习(08)--数组常见问题 1.数组遍历(依次输出数组中的每一个元素) //数组遍历(依次输出数组中的每一个元素) public class shuzu1{ public static void main(String[] args){ int[] a = {1,2,3,4,5,6,7,8,9}; for(int i = 0;i < a.length;i++){ System.out.println(a[i]); } } } 运行: 2.//数组获取最值(获取数组中的最大值最小值) //数组获取最值(获取数组中的最大值最小值) public class shuzu2{ public static void main(String[] args){ int[] a ={1,2,3,4,5,6}; //获取数组中的最大值 int max = a[0]; for(int i = 0;i < a.length;i++){ if(a[i] > max){ max = a[i]; } } System.out.println("数组中的最大值:"+max); //获取...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- CentOS7,8上快速安装Gitea,搭建Git服务器
- SpringBoot2整合MyBatis,连接MySql数据库做增删改查操作
- Docker安装Oracle12C,快速搭建Oracle学习环境
- Windows10,CentOS7,CentOS8安装Nodejs环境
- Springboot2将连接池hikari替换为druid,体验最强大的数据库连接池
- CentOS7,CentOS8安装Elasticsearch6.8.6
- CentOS8安装Docker,最新的服务器搭配容器使用
- 设置Eclipse缩进为4个空格,增强代码规范
- CentOS7安装Docker,走上虚拟化容器引擎之路