應用場景-揹包問題
揹包問題:有一個揹包,容量爲4磅 , 現有如下物品
1)要求達到的目標爲裝入的揹包的總價值最大,並且重量不超出
2)要求裝入的物品不能重複
動態規劃算法介紹
1)動態規劃(Dynamic Programming)算法的核心思想是:將大問題劃分爲小問題進行解決,從而一步步獲取最優解的處理算法
2)動態規劃算法與分治算法類似,其基本思想也是將待求解問題分解成若干個子問題,先求解子問題,然後從這些子問題的解得到原問題的解。
3)與分治法不同的是,適合於用動態規劃求解的問題,經分解得到子問題往往不是互相獨立的。 ( 即下一個子階段的求解是建立在上一個子階段的解的基礎上,進行進一步的求解 )
4)動態規劃可以通過填表的方式來逐步推進,得到最優解.
思路分析
代碼實現
package com.algorithm.dynamic;
public class KnapsackProblem {
public static void main(String[] args) {
int[] w = { 1, 4, 3 }; // 物品的重量
int[] val = { 1500, 3000, 2000 }; // 物品的價值, 這裏val[i] 就是前面講的v[i]
int m = 4; // 揹包的容量
int n = val.length; // 物品的個數
// 創建二維數組
// v[i][j] 表示在前i個物品中能夠裝入容量爲j的揹包中的最大價值
int[][] v = new int[n + 1][m + 1];
// 爲了記錄放入商品的情況,我們定義一個二維數組
int[][] path = new int[n + 1][m + 1];
// 初始化第一行和第一列,這裏本程序中,可以不去處理,因爲默認是0
for (int i = 0; i < v.length; i++) {
v[i][0] = 0; // 將第一列設置爲0
}
for(int i = 0; i < v[0].length; i++) {
v[0][i] = 0; // 將第一行設置爲0
}
// 根據前面動態規劃得到的公式處理
for(int i = 1; i < v.length; i++) { // 不處理第一行,i是從1開始
for(int j = 1; j < v[0].length; j++) { // 不處理第一列,j是從1開始的
// 公式
if(w[i - 1] > j) { // 因爲我們的程序i 是從1開始的,因此原來的公式中的 w[i] 修改成w[i - 1]
v[i][j] = v[i - 1][j];
} else {
// 說明:
// 因爲我們的i是從1開始的,因此原來公式需要調整
//v[i][j]=Math.max(v[i-1][j], val[i-1]+v[i-1][j-w[i-1]]);
//v[i][j] = Math.max(v[i - 1][j], val[i - 1] + v[i - 1][j - w[i - 1]]);
// 爲了記錄商品存放到揹包的情況,我們不能直接使用上面的公式,需要使用if-else來體現公式
if(v[i - 1][j] < val[i - 1] + v[i - 1][j - w[i - 1]]) {
v[i][j] = val[i - 1] + v[i - 1][j - w[i - 1]];
// 把當前記錄到path
path[i][j] = 1;
} else {
v[i][j] = v[i - 1][j];
}
}
}
}
// 輸出一下v ,看看目前情況
for(int i = 0; i < v.length; i++) {
for(int j = 0; j < v[i].length; j++) {
System.out.print(v[i][j] + " ");
}
System.out.println();
}
System.out.println();
// 看下path的情況
for(int i = 0; i < v.length; i++) {
for(int j = 0; j < v[i].length; j++) {
System.out.print(path[i][j] + " ");
}
System.out.println();
}
int i = path.length - 1; // 行的最大下標
int j = path[0].length - 1; // 列的最大下標
while(i > 0 && j > 0) { // 從path的最後找
if(path[i][j] == 1) {
System.out.printf("第%d個商品放入揹包\n", i);
j -= w[i - 1];
}
i--;
}
}
}