0-1背包问题-贪心法和动态规划法求解1

背包问题解析（⼀）-贪⼼算法⼀、题⽬:有N件物品和⼀个容量为V的背包。

第i件物品的重量是w[i]，价值是v[i]。

求解将哪些物品装⼊背包可使这些物品的重量总和不超过背包容量，且价值总和最⼤。

⼆、解决思路:本题刚开始的解题的时候,想采取贪⼼算法来解决,也就是将放⼊的物品的性价⽐按照从⾼到低进⾏排序，然后优先放优先级⾼的，其次优先级低的。

三、代码实现（python）1# 重量w=[5,4,3,2]2# 价值v=[6,5,4,3]3 b=[]4 m=int(input("请输⼊背包的最⼤重量:"))5 n=int(input("请输⼊商品的数量:"))6for i in range(n):7 a=input("请分别输⼊重量和价值,以空格隔开:")8 a=a.split("")9for i in range(len(a)):10 a[i]=int(a[i])11 b.append(a)12print("加载初始化:",b)13for i in range(len(b)):14for j in range(i+1,len(b)):15if b[i][1]/b[i][0]<b[j][1]/b[j][0]:16 b[i],b[j]=b[j],b[i]17print("性价⽐排序:",b)18 v=019 c=[]20for i in range(len(b)):21if m-b[i][0]>0:22 m=m-b[i][0]23 c.append(b[i])24 v+=b[i][1]25print("放⼊背包:",c)26print("最⼤价值为:",v)打印结果：四、算法分析：贪⼼选择是指所求问题的整体最优解可以通过⼀系列局部最优的选择，即贪⼼选择来达到。

实验四“0-1”背包问题一、实验目的与要求熟悉C/C++语言的集成开发环境；通过本实验加深对贪心算法、动态规划算法的理解。

二、实验内容:掌握贪心算法、动态规划算法的概念和基本思想，分析并掌握“0-1”背包问题的求解方法，并分析其优缺点。

三、实验题1.“0-1”背包问题的贪心算法2.“0-1”背包问题的动态规划算法说明：背包实例采用教材P132习题六的6-1中的描述。

要求每种的算法都给出最大收益和最优解。

设有背包问题实例n=7，M=15,，(w0,w1,。

w6)=（2,3,5,7,1,4,1），物品装入背包的收益为：（p0，p1，。

，p6）=（10,5,15,7,6,18,3）。

求这一实例的最优解和最大收益。

四、实验步骤理解算法思想和问题要求；编程实现题目要求；上机输入和调试自己所编的程序；验证分析实验结果；整理出实验报告。

五、实验程序// 贪心法求解#include<iostream>#include"iomanip"using namespace std;//按照单位物品收益排序，传入参数单位物品收益，物品收益和物品重量的数组，运用冒泡排序void AvgBenefitsSort(float *arry_avgp,float *arry_p,float *arry_w ); //获取最优解方法，传入参数为物品收益数组，物品重量数组，最后装载物品最优解的数组和还可以装载物品的重量float GetBestBenifit(float*arry_p,float*arry_w,float*arry_x,float u);int main(){float w[7]={2,3,5,7,1,4,1}; //物品重量数组float p[7]={10,5,15,7,6,18,3}; //物品收益数组float avgp[7]={0}; //单位毒品的收益数组float x[7]={0}; //最后装载物品的最优解数组const float M=15; //背包所能的载重float ben=0; //最后的收益AvgBenefitsSort(avgp,p,w);ben=GetBestBenifit(p,w,x,M);cout<<endl<<ben<<endl; //输出最后的收益system("pause");return 0;}//按照单位物品收益排序，传入参数单位物品收益，物品收益和物品重量的数组，运用冒泡排序void AvgBenefitsSort(float *arry_avgp,float *arry_p,float *arry_w ) {//求出物品的单位收益for(int i=0;i<7;i++){arry_avgp[i]=arry_p[i]/arry_w[i];}cout<<endl;//把求出的单位收益排序，冒泡排序法int exchange=7;int bound=0;float temp=0;while(exchange){bound=exchange;exchange=0;for(int i=0;i<bound;i++){if(arry_avgp[i]<arry_avgp[i+1]){//交换单位收益数组temp=arry_avgp[i];arry_avgp[i]=arry_avgp[i+1];arry_avgp[i+1]=temp;//交换收益数组temp=arry_p[i];arry_p[i]=arry_p[i+1];arry_p[i+1]=temp;//交换重量数组temp=arry_w[i];arry_w[i]=arry_w[i+1];arry_w[i+1]=temp;exchange=i;}}}}//获取最优解方法，传入参数为物品收益数组，物品重量数组，最后装载物品最优解的数组和还可以装载物品的重量float GetBestBenifit(float*arry_p,float*arry_w,float*arry_x,float u) {int i=0; //循环变量ifloat benifit=0; //最后收益while(i<7){if(u-arry_w[i]>0){arry_x[i]=arry_w[i]; //把当前物品重量缴入最优解数组benifit+=arry_p[i]; //收益增加当前物品收益u-=arry_w[i]; //背包还能载重量减去当前物品重量cout<<arry_x[i]<<" "; //输出最优解}i++;}return benifit; //返回最后收益}//动态规划法求解#include<stdio.h>#include<math.h>#define n 6void DKNAP(int p[],int w[],int M,const int m); void main(){int p[n+1],w[n+1];int M,i,j;int m=1;for(i=1;i<=n;i++){m=m*2;printf("\nin put the weight and the p:");scanf("%d %d",&w[i],&p[i]);}printf("%d",m);printf("\n in put the max weight M:");scanf("%d",&M);DKNAP(p,w,M,m);}void DKNAP(int p[],int w[],int M,const int m) {int p2[m],w2[m],pp,ww,px;int F[n+1],pk,q,k,l,h,u,i,j,next,max,s[n+1];F[0]=1;p2[1]=w2[1]=0;l=h=1;F[1]=next=2;for(i=1;i<n;i++){k=l;max=0;u=l;for(q=l;q<=h;q++)if((w2[q]+w[i]<=M)&&max<=w2[q]+w[i]){u=q;max=w2[q]+w[i];}for(j=l;j<=u;j++){pp=p2[j]+p[i];ww=w2[j]+w[i];while(k<=h&&w2[k]<ww){p2[next]=p2[k];w2[next]=w2[k];next++;k++;}if(k<=h&&w2[k]==ww){if(pp<=p2[k])pp=p2[k];k++;}else if(pp>p2[next-1]){p2[next]=pp;w2[next]=ww;next++;}while(k<=h&&p2[k]<=p2[next-1])k++;}while(k<=h){p2[next]=p2[k];w2[next]=w2[k];next=next+1;k++;}l=h+1;h=next-1;F[i+1]=next;}for(i=1;i<next;i++)printf("%2d%2d ",p2[i],w2[i]);for(i=n;i>0;i--){next=F[i];next--;pp=pk=p2[next];ww=w2[next];while(ww+w[i]>M&&next>F[i-1]){next=next-1;pp=p2[next];ww=w2[next];}if(ww+w[i]<=M&&next>F[i-1])px=pp+p[i];if(px>pk&&ww+w[i]<=M){s[i]=1;M=M-w[i];printf("M=%d ",M);}else s[i]=0;}for(i=1;i<=n;i++)printf("%2d ",s[i]);}六、实验结果1、贪心法截图：七、实验分析。

现代经济信息求解０－１背包问题算法研究田秀芹 百色学院数学与统计学院摘要：本文主要概述了求解0-1背包问题的两大类算法：精确算法和近似算法，并分析了这些算法的优缺点，并提出了求解该问题的算法发展趋势。

关键词：0-1背包问题；精确算法；近似算法中图分类号：TP312 文献识别码：A 文章编号：1001-828X(2017)010-0386-03The Study of the 0-1 Knapsack Problem AlgorithmAbstract: This paper mainly summarizes the solving 0-1 knapsack problem algorithm of two categories: accurate and approximate algorithms, and analyzes the advantages and disadvantages of these algorithms, and put forward the development trend of algorithms to solve the problem.Keywords: 0-1 knapsack problem, precise algorithm, approximate algorithmDantzig[1]在20世纪50年代首次提出了背包问题(Knapsack problem，简称KP)，在文献[2]中，阐述了该问题是一个NP-难问题，在背包问题中，我们很难设计出多项式时间算法，除非P=NP。

0-1背包问题就是，给定一个容量为的背包和件具有价值的物品，在不超过背包容量的前提下，选择若干物品放入背包，使得装入背包的物品总价值最大。

同时给出一种放置物品的方案。

背包问题就有普遍的应用背景，在日常的许多实践中如：材料切割、资源有效分配问题、资金估算的问题、运输过程的货仓装载等起着很大的作用，许多的组合优化问题都可以简化为背包问题，背包问题的各种解法也可用来解决组合优化问题，因此对0-1背包问题的解法进行深入的研究具有重大的意义。

01背包问题的数学逻辑1.引言1.1 概述01背包问题是一类经典的组合优化问题，它是数学逻辑中的一个重要问题之一。

在实际生活中，我们经常会面对资源有限的情况，而如何在有限的资源下做出最佳决策，已经成为一个重要的研究领域。

01背包问题就是在给定总容量和一组物品的情况下，选取其中的一些物品放入背包中，使得背包中物品的总价值最大化，而不超过背包的总容量。

这个问题由G. Dantzig在1957年首次提出，并且成为组合优化中的一个经典问题。

它的名字来源于背包只能放入0或1个同样特性的物品。

虽然问题看似简单，但由于问题的解空间庞大，是一个NP完全问题，因此求解过程通常使用一些近似算法。

1.2 目的本文的目的是探究01背包问题的数学逻辑，并介绍一些常用的求解方法。

通过深入研究01背包问题，我们可以更好地理解其数学模型，在实际应用中解决类似的优化问题。

具体目标包括：1. 分析01背包问题的数学模型，并介绍相关的定义和术语；2. 探讨01背包问题的求解方法，包括动态规划、贪心算法和近似算法等；3. 介绍优化问题的评价指标，包括背包的总价值、总重量和可行性等；4. 分析不同情况下的算法复杂性，讨论解决01背包问题的时间和空间复杂性；5. 举例说明01背包问题在实际生活中的应用，如旅行行李、采购决策等。

通过对01背包问题的研究，我们能够更好地理解和应用数学逻辑，提高问题求解的能力。

了解背包问题的求解方法和评价指标，对我们在实际生活中面对资源有限的情况下做出最佳决策具有重要意义。

无论是在物流管理、金融投资还是其他领域，都可以通过对01背包问题的研究，提高决策的效率和准确度。

在接下来的文章中，将会详细介绍01背包问题的数学逻辑，分析不同求解方法的优劣，并给出实际应用的例子，以便读者更好地理解和应用该问题。

2.正文2.1 01背包问题的定义和背景介绍01背包问题是运筹学中的一个经典问题，在算法和动态规划中有重要的应用。

该问题的核心是在给定的背包容量和一组物品的情况下，如何选择物品放入背包中，使得背包中的物品总价值最大化。

（0-1）背包问题的解法小结1．动态规划法递推关系：– 考虑一个由前i 个物品(1≤i ≤n )定义的实例，物品的重量分别为w 1,…,w i ，价值分别为v 1，…，v i ，背包的承重量为j (1≤j ≤W )。

设V [I,j]为该实例的最优解的物品总价值– 分成两类子集：• 根据定义，在不包括第i 个物品的子集中，最优子集的价值是V [i -1,j ]• 在包括第i 个物品的子集中(因此，j －w ≥0)，最优子集是由该物品和前i -1个物品中能够放进承重量为i －w j 的背包的最优子集组成。

这种最忧子集的总价值等于v i +V [i -1,j -w i ].0]0,[时，0 当0;][0,时，0初始条件：当],1[}],1[],,1[max{],[=≥=≥<≥⎩⎨⎧-+---=i V i j V j w j w j j i V v w j i V j i V j i V i i i i以记忆功能为基础的算法：用自顶向下的方式对给定的问题求解，另外维护一个类似自底向上动态规划算法使用的表格。

一开始的时候，用一种“null”符号创始化表中所有的单元，用来表明它们还没有被计算过。

然后，一旦需要计算一个新的值，该方法先检查表中相应的单元：如果该单元不是“null ”，它就简单地从表中取值；否则，就使用递归调用进行计算，然后把返回的结果记录在表中。

算法 MFKnapsack(I,j)//对背包问题实现记忆功能方法//输入：一个非负整数i 指出先考虑的物品数量，一个非负整数j 指出了背包的承重量 //输出：前i 个物品的最伏可行子集的价值//注意：我们把输入数组Weights[1..n],Values[1..n]和表格V[0..n,0..W]作为全局变量，除了行0和列0用0初始化以外，V 的所有单元都用-1做初始化。

if V[I,j]<01if j<Weights[i]value ←MFKnapsack(i-1,j)elsevalue ←max(MFKnapsack(i-1),j), Value[i]+MFKnapsack(i-1,j-eights[i]))V[I,j]←valuereturn V[I,j]2．贪心算法1) 背包问题基本步骤：首先计算每种物品单位重量的价值Vi/Wi ，然后，依贪心选择策略，将尽可能多的单位重量价值最高的物品装入背包。