动态规划经典问题解析：混合背包、分组背包与二维费用背包-CSDN博客

本文链接：https://blog.csdn.net/gitblog_00447/article/details/148465485

动态规划经典问题解析：混合背包、分组背包与二维费用背包

LeetCode-Py ⛽️「算法通关手册」：超详细的「算法与数据结构」基础讲解教程，从零基础开始学习算法知识，800+ 道「LeetCode 题目」详细解析，200 道「大厂面试热门题目」。项目地址: https://gitcode.com/gh_mirrors/le/LeetCode-Py

动态规划是算法设计中非常重要的思想方法，背包问题则是动态规划中最经典的案例之一。本文将深入解析三种常见的背包问题变种：混合背包问题、分组背包问题和二维费用背包问题，帮助读者掌握这些问题的解决思路和实现方法。

混合背包问题解析

混合背包问题是背包问题中最具综合性的变种之一，它融合了0-1背包、完全背包和多重背包三种情况。

问题定义

给定n种物品和一个容量为W的背包，每种物品具有以下特性：

重量weight[i]
价值value[i]
数量count[i]

其中count[i]的不同取值代表不同含义：

count[i] = -1：物品只有1件（0-1背包情况）
count[i] = 0：物品有无限件（完全背包情况）
count[i] > 0：物品有count[i]件（多重背包情况）

解决思路

混合背包问题的核心在于识别每种物品的类型，并采用相应的处理策略：

二进制优化：首先将所有多重背包物品通过二进制拆分转换为0-1背包物品
分类处理：
- 对于0-1背包物品，直接保留
- 对于完全背包物品，标记并保留
动态规划求解：
- 使用一维dp数组，dp[w]表示容量为w时的最大价值
- 逆序遍历处理0-1背包物品
- 正序遍历处理完全背包物品

代码实现

class Solution:
    def mixedPackMethod1(self, weight: [int], value: [int], count: [int], W: int):
        weight_new, value_new, count_new = [], [], []
        
        # 二进制优化处理多重背包
        for i in range(len(weight)):
            cnt = count[i]
            if cnt > 0:  # 多重背包
                k = 1
                while k <= cnt:
                    cnt -= k
                    weight_new.append(weight[i] * k)
                    value_new.append(value[i] * k)
                    count_new.append(1)
                    k *= 2
                if cnt > 0:
                    weight_new.append(weight[i] * cnt)
                    value_new.append(value_new[i] * cnt)
                    count_new.append(1)
            elif cnt == -1:  # 0-1背包
                weight_new.append(weight[i])
                value_new.append(value[i])
                count_new.append(1)
            else:  # 完全背包
                weight_new.append(weight[i])
                value_new.append(value[i])
                count_new.append(0)
                
        dp = [0] * (W + 1)
        
        for i in range(len(weight_new)):
            if count_new[i] == 1:  # 0-1背包
                for w in range(W, weight_new[i] - 1, -1):
                    dp[w] = max(dp[w], dp[w - weight_new[i]] + value_new[i])
            else:  # 完全背包
                for w in range(weight_new[i], W + 1):
                    dp[w] = max(dp[w], dp[w - weight_new[i]] + value_new[i])
                    
        return dp[W]

复杂度分析

时间复杂度：O(W × Σlog₂count[i])，其中W为背包容量
空间复杂度：O(W)

分组背包问题详解

分组背包问题中，物品被分为若干组，每组中的物品相互冲突，最多只能选择一件。

问题定义

给定n组物品和一个容量为W的背包：

第i组有group_count[i]件物品
第i组第j件物品重量为weight[i][j]，价值为value[i][j]
每组只能选择最多一件物品

基本解法

二维动态规划

定义dp[i][w]表示前i组物品放入容量为w的背包的最大价值。

状态转移方程：

dp[i][w] = max(dp[i-1][w], dp[i-1][w-weight[i-1][k]] + value[i-1][k])
其中0 ≤ k < group_count[i-1]

优化解法（滚动数组）

使用一维数组优化空间复杂度：

def groupPackMethod2(self, group_count, weight, value, W):
    dp = [0] * (W + 1)
    for i in range(len(group_count)):
        for w in range(W, -1, -1):
            for k in range(group_count[i]):
                if w >= weight[i][k]:
                    dp[w] = max(dp[w], dp[w - weight[i][k]] + value[i][k])
    return dp[W]

复杂度分析

时间复杂度：O(W × Σgroup_count[i])
空间复杂度：O(W)

二维费用背包问题探究

二维费用背包问题在传统背包问题基础上增加了第二维限制条件（如体积）。

问题定义

给定n件物品和一个背包：

每件物品有重量weight[i]和体积volume[i]
背包有重量限制W和体积限制V
每件物品只能选一次

基本解法

三维动态规划

定义dp[i][w][v]表示前i件物品放入重量限制w、体积限制v的背包的最大价值。

状态转移方程：

dp[i][w][v] = max(dp[i-1][w][v], 
                 dp[i-1][w-weight[i-1]][v-volume[i-1]] + value[i-1])

优化解法（二维数组）

def twoDCostPackMethod2(self, weight, volume, value, W, V):
    dp = [[0]*(V+1) for _ in range(W+1)]
    for i in range(len(weight)):
        for w in range(W, weight[i]-1, -1):
            for v in range(V, volume[i]-1, -1):
                dp[w][v] = max(dp[w][v], 
                              dp[w-weight[i]][v-volume[i]] + value[i])
    return dp[W][V]