背包问题贪心算法python实现 01背包问题贪心算法描述

问题的描述

我们先根据一个贪心算法的经典应用实例，然后给出贪心算法的实现步骤与关键环节，最后给出C++代码求解0-1背包问题。

背包问题（Knapsack Problem）：有N件物品有一个承重（也可受限于体积）为C的背包，每件物品具有二维属性，分别是重量属性wi,i=1,…,N，和价值属性pi,i=1,…,N，求解将哪几件物品装入背包可使这些物品在重量不超过C的情况下价值总和最大。背包问题给我们提供了一个模型，由此我们可以求解货箱装载问题。这一问题隐含了一个条件，每个物品只有一件，也就是要么不选取（UNCHOSEN，0），要么选取（CHOSEN，1），因此又称为0-1背包问题。

贪心算法的基本设计思想有以下三个步骤：

1. 建立对问题精确描述的数学模型，包括定义最优解的模型。
   显然本题，就是重量不超过C条件下的价值最大
   
   maxW(n)s.t.∑iCi≤C

1. 将问题分解为一系列子问题，同时定义子问题的最优解结构
   贪心算法的关键环节，将问题分解为后续的一个一个的子问题。本例而言，就是在（根据一定的标准）选定一个物品（重量为wi）的情况下，在余下的物品中选择下一个物品此时的问题的条件是重量不超过C′:=C−wi。
   maxW(n):=wi+W(n−1)s.t.∑j∖iwj≤C−wi
2. 引用相应的贪心原则（比如重量最轻，价值最高，性价比最高）确定每个子问题的局部最优解（上文所说的Ci），并根据最优解的模型，用子问题的局部最优解堆叠出全局最优解。

下面我们来看这一具体的实例，

• C=150, 最大承重
• wi=[35,30,60,50,40,10,25]，每个物品的重量
• pi=[10,40,30,50,35,40,10]，每个物品的价格

关键在于子问题的定义，本例，我么可以将子问题定义为，在选取某一物品（wi）放入背包以后，在背包容量还有C′:=C−wi的情况下，选择下一个物品放入背包。

如何选择每一次子问题的所需确定的物品呢？这正是贪心策略的选择问题了。对于本题，常见的贪婪策略有三种，

• 根据物品价值选择，每次都选价值最高的物品
  [4, 2, 6, 5]-> 130（总重量），165（价值）
• 根据物品重量选择，每次都选最轻的
  [6, 7, 2, 1, 5] -> 140（总重量），155（总价格）
• 根据价值密度（也即性价比），每次都选性价比最高的
  性价比：[0.286, 1.333, .5, 1., .0875, 4., 1.2]
  [6, 2, 7, 4, 1] -> 150（总重量），170（总价格）

算法的实现

算法流程如下：

• 元素数据结构的定义
• 问题数据结构的定义
• 循环子问题，直到全部子问题都得以解决，退出循环

下面给出其实现：

enum STATUS
{
    UNCHOSEN,
    CHOSEN,
    NOTALLOWED
};

// 物品的数据结构定义
typedef struct tagObject
{
    int weight;
    int price;
                    // double density; 
                    // 这里也可增加这样一个冗余性定义，用于第三种贪心规则
    STATUS status;
}OBJ;

// 问题的数据结构定义
typedef struct tagKnapsackProblem
{
    std::vector<OBJ> objs;
    int total;
    // std::vector<int> selected;    // 贪心规则下得到的物品
    // int weights;                  // 贪心规则下得到的总的物品重量
    // int prices;                   // 贪心规则下得到的总的物品价格
}KnapsackProblem;

// 定义三种贪心算法的函数指针
typedef int(*SELECT_POLICY)(std::vector<OBJ>&);

void greedyAlgo(KnapsackProblem* problem, SELECT_POLICY spFunc)
{
    int idx;
    int cur = 0;
    while ((idx = spFunc(problem->objs)) != -1)
    {
        // idx标识可选的物品
        if (problem->objs[idx].weight <= problem->total - cur)
        {
            std::cout << idx + 1 << std::endl;
                    // 打印每一个子问题的最优选择
            problem->objs[idx].status = CHOSEN;
            cur += problem->objs[idx].weight;
        }
        else
        {
            problem->objs[idx].status = NOTALLOWED;
        }
    }
}

int chooseFunc1(std::vector<OBJ>& objs)
{
    int idx = -1;
    int tmp = 0;
    for (size_t i = 0; i < objs.size(); ++i)
    {
        if (objs[i].status == UNCHOSEN && tmp < objs[i].price)
        {
            tmp = objs[i].price;
            idx = i;
        }
    }
    return idx;
}

int chooseFunc2(std::vector<OBJ>& objs)
{
    int idx = -1;
    int tmp = 1000000;
    for(size_t i = 0; i < objs.size(); ++i)
    {
        if (objs[i].status == UNCHOSEN && tmp > objs[i].weight)
        {
            tmp = objs[i].weight;
            idx = i;
        }
    }
    return idx;
}

int chooseFunc3(std::vector<OBJ>& objs)
{
    int idx = -1;
    double tmp = 0.;
    for(size_t i = 0; i < objs.size(); ++i)
    {
        if (objs[i].status == UNCHOSEN && 
                tmp < static_cast<double>(objs[i].price)/objs[i].weight)
        {
            tmp = static_cast<double>(objs[i].price)/objs[i].weight;
            idx = i;
        }

    }
    return idx;
}

// 客户端代码
int main(int, char**)
{
    std::vector<OBJ> objs{{35, 10, UNCHOSEN}, {30, 40, UNCHOSEN}, {60, 30, UNCHOSEN}, {50, 50, UNCHOSEN},   
    {40, 35, UNCHOSEN}, {10, 40, UNCHOSEN}, {25, 10, UNCHOSEN}};
    KnapsackProblem problem = {objs, 150};
    // greedyAlgo(&problem, chooseFunc1);
    // greedyAlgo(&problem, chooseFunc2);
    greedyAlgo(&problem, chooseFunc3);           // 三种贪心规则分别运行。
    return 0;
}

0-1找零问题

有了上述0-1（to be or not to be, 只能二选一）背包问题提供的模型，我们便可比较轻易的仿制上述设计与编程，解决0-1找零钱问题：

货币mi=[25,10,5,1]分四种，需找给用户41分钱。

enum STATUS
{
    CHOSEN,
    UNCHOSEN,
    NOTALLOWED
};
typedef struct tagObject
{
    int value;
    STATUS status;
}OBJ;
typedef struct tagProblem
{
    std::vector<OBJ> objs;
    int total;
}Problem;

int findMax(std::vector<OBJ>& objs)
{
    int idx = -1;
    int tmp = 0;
    for (size_t i = 0; i < objs.size(); ++i)
    {
        if (objs[i].status == UNCHOSEN && tmp < objs[i].value)
        {
            idx = i;
            tmp = objs[i].value;
        }
    }
    return idx;
}

void greedyAlgo(Problem* prob)
{
    int idx;
    int cur = 0;
    while ((idx = findMax(prob->objs))!=-1)
    {
        if (prob->objs[idx].value <= prob->total - cur)
        {
            std::cout << idx + 1 << std::endl;
            prob->objs[idx].status = CHOSEN;
            cur += prob->objs[idx].value;
        }
        else
        {
            prob->objs[idx].status = NOTALLOWED;
        }
    }
}

int main(int, char**)
{
    std::vector<OBJ> objs {{25, UNCHOSEN}, {10, UNCHOSEN}, {5, UNCHOSEN}, {1, UNCHOSEN}};
    Problem prob = {objs, 41};
    greedyAlgo(&prob);
    return 0;
}