【算法】优先队列式分支限界法,以01背包问题为例

简介: 📑 例题:01背包问题题目链接:采药-洛谷当洛谷上不让下载测试用例,可以试试:采药-ACWing

📑 例题:01背包问题

题目链接:采药-洛谷

当洛谷上不让下载测试用例,可以试试:采药-ACWing

题目描述

辰辰是个天资聪颖的孩子,他的梦想是成为世界上最伟大的医师。为此,他想拜附近最有威望的医师为师。医师为了判断他的资质,给他出了一个难题。医师把他带到一个到处都是草药的山洞里对他说:“孩子,这个山洞里有一些不同的草药,采每一株都需要一些时间,每一株也有它自身的价值。我会给你一段时间,在这段时间里,你可以采到一些草药。如果你是一个聪明的孩子,你应该可以让采到的草药的总价值最大。”

如果你是辰辰,你能完成这个任务吗?


输入格式

第一行有 22 个整数 T TT(1 ≤ T ≤ 1000 1 \le T \le 10001≤T≤1000)和 MM(1 ≤ M ≤ 100 1 \le M \le 1001≤M≤100),用一个空格隔开,T TT代表总共能够用来采药的时间,M MM代表山洞里的草药的数目。

接下来的 M MM 行每行包括两个在 1 到 100 之间(包括 1 和 100)的整数,分别表示采摘某株草药的时间和这株草药的价值。


输出格式

输出在规定的时间内可以采到的草药的最大总价值。


01背包问题很经典,回溯、分支限界、动态规划都可以用来解决它。这里使用的是分支限界法。

注:例题中采药的时间就相当于物品的质量或体积。


🌵 分析:分支限界解法

基本思路

分支限界法类似于广度优先搜索,可使用队列实现,但进行了优化:


求出原问题的一个上界和下界。由于背包问题中要求总价值的最大化,则:

上界:大于等于最优解

下界:某个可行解

搜索过程中

结点处的上界1已经低于原问题的下界,则该分支不必继续搜索

可行解达到了原问题的上界,则该可行解即为原问题的最优解,停止搜索

上界和下界可以是 (也可以不是,为了效率罢了) 动态变化的,搜索时将上界和下界不断靠拢,缩小最优解可能存在的范围,那么最后:真相只有一个!

更新上界:(后面“优先队列的使用”将会介绍)

更新下界:如果找到某可行解大于原来的下界,则将它作为原问题的新下界

优先队列的使用

简介

优先队列式分支限界法:每次算完限界后,把搜索树上当前所有叶结点的限界进行比较。找出限界最优的结点,此结点即为下次分支的结点。2


优先队列的一个意义在于,总是搜索当前看起来最优的结点,因此更有可能更快地找到最优解。此外,它可以帮助进行上界的更新。

上界函数与上界的更新

  • 原问题上界更新:优先队列中,队首结点的上界作为此时原问题的上界。

如何保证队首结点的上界是全局的上界?(不仅是队列中上界最大的结点,而是整个解空间树种上界最大的结点)

这将涉及上界函数的选取,它需要有这样的性质:结 点 上 界 > = 以 该 节 点 为 根 的 子 树 中 所 有 结 点 的 上 界 结点上界>=以该节点为根的子树中所有结点的上界结点上界>=以该节点为根的子树中所有结点的上界

(你可能感觉这是理所当然,根结点的上界当然不会比子结点的上界小,但笔者是踩过这个坑的,并为此debug到夜晚两点半)

上界函数(ub)

假设所有物品已经按单位价值从大到小排序。

1)策略:用剩余物品中单价最高的物品填满背包的剩余空间 (可以理解为切下一部分)

结 点 上 界 = 当 前 背 包 中 物 品 总 价 值 + 剩 余 空 间 × 下 一 个 待 选 择 物 品 的 单 位 价 值 结点上界=当前背包中物品总价值+剩余空间\times下一个待选择物品的单位价值结点上界=当前背包中物品总价值+剩余空间×下一个待选择物品的单位价值

2)策略:选剩余物品单价最高的,把能放的物品放进背包,如果碰到某个物品放不下,就按它的单价填满背包的剩余空间。

3)一个错误的策略:按单价从高到低遍历剩余物品,能放得下就放进去,然后选最后放下的一个物品的下一个的单价,用来填满背包的剩余空间。

🍖 举个例子

背包容量C = 10 ,物品数量n = 4  。

物品序号 质量 价值 单位价值
1 4 24 6
2 8 40 5
3 5 20 4
4 2 6 3


策略1:上界_1=6*10=60

策略2:上界_2=24+(10-4)*5=54

策略3:上界_3=24+20+(10-4-5)*3=47

策略 1 和 2 都是对的,后者更精确一些,使用它的搜索效率也会更高。(你也许无法相信,某个测试用例下,前者搜索了两 百 多 万 个 两百多万个两百多万个结点,而后者只搜索了一 百 多 个 一百多个一百多个结点,就像差之毫厘,谬以千里)

🍭 搜索树如下图(策略 1)

92f74f633f3247eeb789b8bd6c5d5625.png

有问题的策略3

策略 3 求的确实是上界没有问题,而且比策略 2 更精确。问题在于它不满足:

>=

🍗 示例2

背包容量 C = 10,物品数 n = 6

物品序号 质量 价值 单位价值
1 1 10 10
2 6 55 9.17
3 6 54 9
4 6 54 9
5 9 72 8
6 3 3 1


使用策略 1 或 2:最 优 解 = 82 (正确的最优解)

使用策略 3:最 优 解 = 68  

🍭 搜索树如下图(策略 3)

225e6b829d4748c092df61dc98c404fa.png

关于下界

笔者认为,对于当前的背包问题,使用了优先队列后,已经不需要下界了,因为我们总是在选择全局上界最高的结点进行搜索。

实现(C++)

🥣 头文件、结构与函数定义

#include<iostream>
#include<queue>
#include<vector>
#include<algorithm>
using namespace std;
//物品类型 
struct thing {
  int w;//质量 
  int v;//价值
  double k;//价值比质量(??需要浮点数吗) 
  thing() {
    w = 1;
    v = 0;
  }
  void getK() {
    k = (double)v / w;
  }
  bool operator<(const thing& s) const {
    return k > s.k;
  }
};
//搜索树的结点 
struct node {
  int W;//当前质量 
  int V;//当前价值 
  int ub;//该结点上界 
  int a[105];//部分解
  int index;//待决策结点 
  node() :a{} {
    W = 0;
    V = 0;
    ub = 0;
    index = 0;
  } 
  bool operator<(const node& s) const { //用于大根堆(降序优先队列) 
    return ub < s.ub;
  } 
  void getUb(int C, vector<thing> things, int M) {
    int lb = 0;//新放入物品的价值 
    int _W = W;
    int i = index; 
    //贪心法按价值放能放的物品 
    while(_W + things[i].w <= C && i < M) {
      _W += things[i].w;
      lb += things[i].v;
      i++;
    }
    i++;
    int leave = (C - _W) * (things[i].k);
    ub = V + lb + leave;
  }
};

🍚主函数

int main() {
  int C = 0;//背包总容量 
  int M = 0;//物品数目 
  cin >> C >> M;
  vector<thing> things;//物品 
  priority_queue<node> q;//搜索结点空间
  //输入物品,并按单位价值从大到小排序 
  for (int i = 0; i < M; i++) {
    thing t;
    cin >> t.w >> t.v;
    things.push_back(t);
    things[i].getK();
  }
  sort(things.begin(), things.end());
  //开始搜索结点空间
  node t;
  t.getUb(C, things, M);
  q.push(t);
  int result = 0;//最优解 
  while (q.empty() == false) {
    node f = q.top();
    q.pop();
    //得到最优解 
    if(f.V >= f.ub){
      result = f.V;
      break;
    }
    //构造左结点(不选择-0) 
    if (f.index < M) {
      node l = f;
      l.index = l.index + 1;
      l.getUb(C, things, M);
      q.push(l);
    }
    //构造右结点(选择-1) 
    if (f.index < M && f.W + things[f.index].w <= C) {
      node r = f;
      r.W += things[r.index].w;
      r.V += things[r.index].v;
      r.a[r.index] = 1;
      r.index = r.index + 1;
      r.getUb(C, things, M);
      q.push(r);
    }
  }
  cout << result << endl;
  return 0;
}

🧭 bug记录

  • bug1:使用不恰当的上界函数
    具体的前面已经写到了。
  • bug2:物品单位价值使用了int类型
  • 有物品的价值不能被质量整除的情况。
  • bug3:c++变量的初始化
    我以为thing m();的意思是定义一个变量 m,并调用构造函数进行初始化 (因为有int a(0)这种用法)。编译器是不是理解成了我要定义一个返回值类型为 thing ,名字是 m 的函数?

其实直接thing m;就好了,系统会自己调用构造函数。

04faeb40d43645f4ada6cf0966d7eb04.jpg

  1. 结点的上界:前面讲的上界是原问题的上界,同时搜索中每个结点都构成原问题的一个子问题,每个子问题也有一个上界,这里称为“结点的上界”。 ↩︎
  2. 摘自《算法设计与问题求解》,邓泽林、李峰编著 ↩︎

相关文章
|
5月前
|
算法 C++
数据结构与算法===优先队列
数据结构与算法===优先队列
数据结构与算法===优先队列
|
2月前
|
机器学习/深度学习 算法 数据挖掘
决策树算法大揭秘:Python让你秒懂分支逻辑,精准分类不再难
【9月更文挑战第12天】决策树算法作为机器学习领域的一颗明珠,凭借其直观易懂和强大的解释能力,在分类与回归任务中表现出色。相比传统统计方法,决策树通过简单的分支逻辑实现了数据的精准分类。本文将借助Python和scikit-learn库,以鸢尾花数据集为例,展示如何使用决策树进行分类,并探讨其优势与局限。通过构建一系列条件判断,决策树不仅模拟了人类决策过程,还确保了结果的可追溯性和可解释性。无论您是新手还是专家,都能轻松上手,享受机器学习的乐趣。
48 9
|
3月前
|
机器学习/深度学习 算法 数据挖掘
决策树算法大揭秘:Python让你秒懂分支逻辑,精准分类不再难
【8月更文挑战第2天】决策树算法以其直观性和解释性在机器学习领域中独具魅力,尤其擅长处理非线性关系。相较于复杂模型,决策树通过简单的分支逻辑实现数据分类,易于理解和应用。本示例通过Python的scikit-learn库演示了使用决策树对鸢尾花数据集进行分类的过程,并计算了预测准确性。虽然决策树优势明显,但也存在过拟合等问题。即便如此,无论是初学者还是专家都能借助决策树的力量提升数据分析能力。
44 4
|
4月前
|
算法 安全 调度
逆天改命!Python高级数据结构堆(Heap)与优先队列,让你的算法效率飙升至宇宙级!
【7月更文挑战第8天】Python的heapq模块和queue.PriorityQueue实现了堆和优先队列,提供高效算法解决方案。堆用于Dijkstra算法求解最短路径,例如在图论问题中;PriorityQueue则在多线程下载管理中确保高优先级任务优先执行。这两个数据结构提升效率,简化代码,是编程中的强大工具。
50 0
|
5月前
|
算法 Java 调度
Java数据结构与算法:优先队列
Java数据结构与算法:优先队列
|
5月前
|
算法 C++
【洛谷 P1090】[NOIP2004 提高组] 合并果子(贪心算法+哈夫曼编码+优先队列)
该编程题目要求设计算法,将不同种类的果子合并成一堆,使得消耗的体力最小。给定果子种类数`n`(1至10000)和每种果子的数量,需输出合并的最小体力值。使用优先队列(最小堆),每次取出两个数量最少的果子堆合并,并更新总体力消耗。样例输入为3种果子(1, 2, 9),输出最小体力耗费为15。提供的AC代码采用C++实现,通过优先队列优化合并顺序。
68 0
|
5月前
|
存储 算法 Java
面试高频算法题汇总「图文解析 + 教学视频 + 范例代码」之 二分 + 哈希表 + 堆 + 优先队列 合集
面试高频算法题汇总「图文解析 + 教学视频 + 范例代码」之 二分 + 哈希表 + 堆 + 优先队列 合集
|
6月前
|
算法 JavaScript
算法(分治、贪心、dp、回溯、分支限界)总结
算法(分治、贪心、dp、回溯、分支限界)总结
|
6月前
|
算法 Java
用Java实现01背包问题 用贪心算法
用Java实现01背包问题 用贪心算法
146 43
|
11月前
|
存储 算法 搜索推荐
动态规划、回溯搜索、分治算法、分支定界算法
动态规划、回溯搜索、分治算法、分支定界算法