AcWing算法基础课笔记——动态规划之背包问题

news2024/12/25 1:03:09

背包问题

1. 01背包问题

解题思路:

在这里插入图片描述

题目

2. 01背包问题 - AcWing题库

在这里插入图片描述

代码

优化前:

#include<iostream>
#include<algorithm>

using namespace std;

const int N = 1010;

int n, m;
int v[N], w[N];
int f[N][N];

int main() {
	cin >> n >> m;
	
	for(int i = 1; i <= n; i ++ ) cin >> v[i] >> w[i];
	
	for(int i = 1; i <= n; i ++ ) {
		for(int j = 0; j <= m; j ++ ) {
			f[i][j] = f[i - 1][j];
			if(j >= v[i]) f[i][j] = max(f[i][j], f[i - 1][j - v[i]] + w[i]);
		}
	}
	
	cout << f[n][m] << endl;
	
	return 0;
}

f[N][N]改为一维数组进行优化:

#include<iostream>
#include<algorithm>

using namespace std;

const int N = 1010;

int n, m;
int v[N], w[N];
int f[N];

int main() {
	cin >> n >> m;
	
	for(int i = 1; i <= n; i ++ ) cin >> v[i] >> w[i];
	
	for(int i = 1; i <= n; i ++ ) {
		for(int j = m; j >= v[i]; j -- ) {
			f[j] = max(f[j], f[j - v[i]] + w[i]);
		}
	}
	
	cout << f[m] << endl;
	
	return 0;
}

2. 完全背包问题

解题思路:

在这里插入图片描述

优化:

在这里插入图片描述

对比01背包问题,发现只有一点点不一样:

在这里插入图片描述

(上面是01背包问题的方程,下面是完全背包问题的方程)

题目

3. 完全背包问题 - AcWing题库

在这里插入图片描述

代码

朴素做法:

#include<iostream>
#include<algorithm>

using namespace std;

const int N = 1010;

int n, m;
int v[N], w[N];
int f[N][N];

int main() {
	cin >> n >> m;
	for(int i = 1; i <= n; i ++ ) scanf("%d%d", &v[i], &w[i]);
	
	for(int i = 1; i <= n; i ++ ) {
		for(int j = 0; j <= m; j ++ ) {
			for(int k = 0; k * v[i] <= j; k ++ ) {
				f[i][j] = max(f[i][j], f[i - 1][j - v[i] * k] + k * w[i]);
			}
		}
	}
	
	cout << f[n][m] << endl;
	
	return 0;
}

优化版1:

#include<iostream>
#include<algorithm>

using namespace std;

const int N = 1010;

int n, m;
int v[N], w[N];
int f[N][N];

int main() {
	cin >> n >> m;
	for(int i = 1; i <= n; i ++ ) scanf("%d%d", &v[i], &w[i]);
	
	for(int i = 1; i <= n; i ++ ) {
		for(int j = 0; j <= m; j ++ ) {
			f[i][j] = f[i - 1][j];
			if(j >= v[i]) f[i][j] = max(f[i][j], f[i][j - v[i]] + w[i]); 
		}
	}
	
	cout << f[n][m] << endl;
	
	return 0;
}

终极优化版:

#include<iostream>
#include<algorithm>

using namespace std;

const int N = 1010;

int n, m;
int v[N], w[N];
int f[N];

int main() {
	cin >> n >> m;
	for(int i = 1; i <= n; i ++ ) scanf("%d%d", &v[i], &w[i]);
	
	for(int i = 1; i <= n; i ++ ) {
		for(int j = v[i]; j <= m; j ++ ) {
			f[j] = max(f[j], f[j - v[i]] + w[i]); 
		}
	}
	
	cout << f[m] << endl;
	
	return 0;
}

3. 多重背包问题

朴素版:

f[i][j] = max(f[i - 1][j - v[i] * k] + w[i] * k); // k = 0, 1, 2,..., s[i]

题目

简单版:

4. 多重背包问题 I - AcWing题库
在这里插入图片描述

数据更难版:

5. 多重背包问题 II - AcWing题库

在这里插入图片描述

代码

朴素版:

#include<iostream>
#include<algorithm>
using namespace std;

const int N = 1010;

int v[N], w[N], s[N];
int f[N][N];
int n, m;

int main() {
	cin >> n >> m;
	for(int i = 1; i <= n; i ++ ) scanf("%d%d%d", &v[i], &w[i], &s[i]);
	
	for(int i = 1; i <= n; i ++ ) {
		for(int j = 0; j <= m; j ++ ) {
			for(int k = 0; k <= s[i] && k * v[i] <= j; k ++) {
				f[i][j] = max(f[i][j], f[i - 1][j - k * v[i]] + k * w[i]);
			}
		}
	}
	
	cout << f[n][m] << endl;
	
	return 0;
}

优化版:

#include<iostream>
#include<algorithm>

using namespace std;

const int N = 25000, M = 2010;

int n, m;
int v[N], w[N];
int f[N];

int main() {
	cin >> n >> m;
	
	int cnt = 0;
	for(int i = 1; i <= n; i ++ ) {
		int a, b, s;
		cin >> a >> b >> s;
		int k = 1;
		while(k <= s) {
			cnt ++;
			v[cnt] = k * a;
			w[cnt] = k * b;
			s -= k;
			k *= 2;
		}
		if(s > 0) {
			cnt ++;
			v[cnt] = s * a;
			w[cnt] = s * b;
		}
	}
	n = cnt;
	
	for(int i = 1; i <= n; i ++ ) {
		for(int j = m ; j >= v[i]; j -- ) {
			f[j] = max(f[j], f[j - v[i]] + w[i]);
		}
	}
	cout << f[m] << endl;
	return 0;
}


4. 分组背包问题

9. 分组背包问题 - AcWing题库

解题思路:
在这里插入图片描述

题目

有 𝑁 组物品和一个容量是 𝑉 的背包。

每组物品有若干个,同一组内的物品最多只能选一个。
每件物品的体积是 𝑣_{𝑖𝑗},价值是 𝑤_{𝑖𝑗},其中 𝑖 是组号,𝑗 是组内编号。

求解将哪些物品装入背包,可使物品总体积不超过背包容量,且总价值最大。

输出最大价值。

输入格式

第一行有两个整数𝑁,𝑉,用空格隔开,分别表示物品组数和背包容量。

接下来有 𝑁 组数据:

  • 每组数据第一行有一个整数 Si𝑆𝑖,表示第 i𝑖 个物品组的物品数量;
  • 每组数据接下来有𝑆𝑖 行,每行有两个整数 𝑣𝑖𝑗,𝑤𝑖𝑗,用空格隔开,分别表示第 𝑖 个物品组的第 𝑗 个物品的体积和价值;
输出格式

输出一个整数,表示最大价值。

数据范围

0<𝑁,𝑉≤100
0<𝑆𝑖≤100
0<𝑣𝑖𝑗,𝑤𝑖𝑗≤100

输入样例
3 5
2
1 2
2 4
1
3 4
1
4 5
输出样例:
8

代码

#include<iostream>
#include<algorithm>
using namespace std;

const int N = 110;

int n, m;
int v[N][N], w[N][N], s[N];
int f[N];

int main(){
	cin >> n >> m;
	
	for(int i = 1; i <= n; i ++ ) {
		cin >> s[i];
		
		for(int j = 0; j < s[i]; j ++ ) {
			cin >> v[i][j] >> w[i][j];
		}
	}
	
	for(int i = 1; i <= n; i ++ ) {
		for(int j = m; j >= 0; j -- ) {
			for(int k = 0; k < s[i]; k ++ ) {
				if(v[i][k] <= j) f[j] = max(f[j], f[j - v[i][k]] + w[i][k]);
			}
		}
	}
	
	cout << f[m] << endl;
	
	return 0;
}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1857344.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

旋转机械振动信号特征提取(Python)

前缀 &#xff1a;将一维机械振动信号构造为训练集和测试集&#xff08;Python&#xff09; https://mp.weixin.qq.com/s/DTKjBo6_WAQ7bUPZEdB1TA import pandas as pd import numpy as np import scipy.io as sio import statistics_hamming from statistics_hamming import…

文华财经幅图指标公式大全源码

文华财经幅图指标公式大全源码下载&#xff1a; DIFF:EMA(CLOSE,55) - EMA(CLOSE,89),NODRAW; DEA: EMA(DIFF,9),NODRAW; MACD:2*(DIFF-DEA),NODRAW; DIFF1: EMA(CLOSE,12) - EMA(CLOSE,26),NODRAW; DEA1: EMA(DIFF1,9),NODRAW; MACD1:2*(DIFF1-DEA1),DOT,COLORYELLOW; DRAW…

Java | Leetcode Java题解之第188题买卖股票的最佳时机IV

题目&#xff1a; 题解&#xff1a; class Solution {public int maxProfit(int k, int[] prices) {if (prices.length 0) {return 0;}int n prices.length;k Math.min(k, n / 2);int[] buy new int[k 1];int[] sell new int[k 1];buy[0] -prices[0];sell[0] 0;for (…

【源码下载】宇宙星空

更多精彩内容尽在数字孪生平台&#xff0c;关注公众号【sky的数孪技术】&#xff0c;技术交流、源码下载请添加VX&#xff1a;digital_twin123 概述 用threejs和gsap实现的宇宙星空效果&#xff0c;访问 http://8.130.10.148:3000/digitaltwin/index.html&#xff0c;公众号后…

mybatis x插件的使用教程(详细)

MyBatisX 的主要功能 代码生成&#xff1a; 自动生成 MyBatis 的 Mapper、XML 配置文件和实体类&#xff0c;大大减少手工编写代码的工作量。 智能代码补全&#xff1a; 提供 SQL 语句和 MyBatis 配置的智能代码补全功能&#xff0c;使开发者能够更快地编写代码。 代码导航&…

怎样激励员工积极应用新版FMEA培训后的知识?

在快节奏的职场环境中&#xff0c;新版FMEA&#xff08;失效模式与影响分析&#xff09;的培训无疑是提升员工技能、优化工作流程的重要一环。然而&#xff0c;如何让员工积极地将所学知识应用于实际工作中&#xff0c;却是一个值得深入探讨的问题。下面&#xff0c;深圳天行健…

数据结构 —— 哈夫曼树

数据结构 —— 哈夫曼树 哈夫曼树定义构造算法特性应用 哈夫曼编码核心概念工作原理特点 我们今天来看哈夫曼树&#xff1a; 哈夫曼树 哈夫曼树&#xff08;Huffman Tree&#xff09;&#xff0c;是一种特殊的二叉树&#xff0c;由D.A. Huffman在1952年提出&#xff0c;主要用…

如何选择适合的接口自动化测试工具!

引言&#xff1a; 在现代软件开发中&#xff0c;接口自动化测试已经成为保证软件质量的重要环节。通过自动化测试工具&#xff0c;可以有效地提高测试效率、减少人力成本&#xff0c;并且能够更好地发现和解决潜在的问题。然而&#xff0c;面对众多的接口自动化测试工具&#…

电子设备抗震等级与电子设备震动实验

若该文为原创文章&#xff0c;转载请注明原文出处 本文章博客地址&#xff1a;https://hpzwl.blog.csdn.net/article/details/139923445 红胖子(红模仿)的博文大全&#xff1a;开发技术集合&#xff08;包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软…

机器学习之支持向量机丨神经网络测试

选择题 SVM中的什么是支持向量&#xff1f; 【 正确答案: D】 A. 数据集中的所有样本 B. 模型参数 C. 模型的预测输出 D. 训练数据中离决策边界最近的样本点 支持向量机(SVM)算法的主要目标是&#xff1a; 【 正确答案: C】 A. 最小化间隔 B. 最小化损失函数 C. 最大化间隔 D.…

Redis-主从复制的准备工作-准备三台redis服务器

文章目录 1、新建三个redis配置文件&#xff0c;用于定义每个服务的专属配置1.1、复制文件redis.conf到redis安装目录下1.2、关闭redis_common.conf中的 aof 功能1.1.1、新建 redis_6379.conf1.1.2、新建 redis_6380.conf1.1.3、新建 redis_6381.conf 2、启动三个服务器2.1、后…

游戏行业新质生产力洞察报告 | 七成游戏企业技术投入显著增加 AI应用率99%

近日&#xff0c;伽马数据发布了《中国游戏产业新质生产力发展报告》。报告围绕中国游戏产业推动“新质生产力”发展的关键路径和重点领域进行深入讨论&#xff0c;并通过对相关数据和典型案例的深入分析&#xff0c;清晰呈现当前中国游戏企业在发展新质生产力过程中的探索与实…

打造智慧矿山:整体架构设计与实践探索

随着信息技术的不断发展&#xff0c;智慧矿山作为矿业领域的创新模式&#xff0c;正日益受到关注。在智慧矿山中&#xff0c;先进的传感器、大数据分析、人工智能等技术被广泛应用&#xff0c;以提高矿山生产效率、降低成本&#xff0c;并确保安全环保。本文将深入探讨智慧矿山…

2.5 MAC扫描器

MAC扫描器是一款专门用来获取网卡物理地址的网络管理软件&#xff0c;相对于Windows系统的getmac命令&#xff0c;MAC扫描器功能更加强大&#xff0c;它不仅可以获取局域网计算机的MAC地址&#xff0c;还可以获取 Internet 中网卡的MAC地址。MAC扫描器通常被用来管理本地网络中…

炸锅!张宇25强化咋样?听说书厚到爆炸?

网上已经炸锅了&#xff01;都说学不完了。 但是&#xff0c;网上的几个主流观点&#xff0c;不完全对。 观点1: 基础30讲没变。强化36讲换汤不换药。 知能行 AI 教练认为&#xff0c;不完全对。基础30讲书没变&#xff0c;但课变了。课时比24多出2倍。 这是因为&#xff0c…

GWB—200JA型引伸计标定器

GWB一200JA型引伸计标定器&#xff0c;是一种纯机械式的高精度位移测微仪器。依据JJG762—2007引伸计检定规程要求&#xff0c;专门用于对各类引伸计的标定&#xff0c;也广泛用于位移传感器的检定及相应百分表、千分表的标定。 l、本仪器由精密微分测头及测量支架组成。该标定…

NAPI篇【1】——如何创建含NAPI的OpenHarmony工程

笔者从事OpenHarmony的北向应用开发&#xff0c;关于NAPI的应用这里做一个笔记总结&#xff0c;包含NAPI的OpenHarmony工程的创建、cpp文件详解、如何编写NAPI函数等&#xff0c;都是基于笔者的开发经验和网上参考资料汇集而成&#xff0c;笔者也处于学习阶段&#xff0c;如有错…

佳裕达物流:披露风险,负债1.26亿,营收下滑,净利润下滑-5925.93%

来源&#xff1a;猛兽财经 作者&#xff1a;猛兽财经 一、佳裕达物流公司介绍 佳裕达物流成立于2009年&#xff0c;总部位于广东省深圳市&#xff0c;是中国领先的端到端供应链解决方案供应商之一。 现已发展成为立足粤港澳大湾区、面向全国、布局全球的大型AAAA级综合服务型…

基于 Native 技术加速 Spark 计算引擎

本文整理自 2024 年 6 月 DataFunSummit 2024 OLAP 架构峰会 Lakehouse 湖仓一体化架构论坛的同名主题分享。 今天分享的主题是基于 Native 技术加速 Spark 计算引擎&#xff0c;大家将会了解到如何基于 ClickHouse 来改造 Spark 引擎&#xff0c;最终获得较为可观的性能提升。…

对于todesk共享剪切板不好用的问题记录

todesk 远程复制粘贴 共享剪切版 1.对于已经开启todesk里面的共享剪切板设置的2. 如果此时仍不能远程复制粘贴&#xff0c;可以考虑查看快捷键映射的问题 1.对于已经开启todesk里面的共享剪切板设置的 2. 如果此时仍不能远程复制粘贴&#xff0c;可以考虑查看快捷键映射的问题 …