c語言演算法

在0 / 1背包問題中，需對容量為c的背包進行裝載。從n個物品中選取裝入背包的物品，每件物品i的重量為wi，價值為pi。對於可行的背封裝載，背包中物品的總重量不能超過背包的容量，最佳裝載是指所裝入的物品價值最高，即n ?i=1pi xi 取得最大值。約束條件為n ?i=1wi xi≤c 和xi?[0 , 1]( 1≤i≤n)。

在這個運算式中，需求出xt的值。xi=1表示物品i 裝入背包中，xi=0 表示物品i 不裝入背包。0 / 1背包問題是一個一般化的貨箱裝載問題，即每個貨箱所獲得的價值不同。貨箱裝載問題轉化為背包問題的形式為：船作為背包，貨箱作為可裝入背包的物品。 例1-8 在雜貨店比賽中你獲得了第一名，獎品是一車免費雜貨。店中有n 種不同的貨物。規則規定從每種貨物中最多隻能拿一件，車子的容量為c，物品i 需佔用wi的空間，價值為pi。你的目標是使車中裝載的物品價值最大。當然，所裝貨物不能超過車的容量，且同一種物品不得拿走多件。這個問題可仿照0 / 1背包問題進行建模，其中車對應於背包，貨物對應於物品。

0 / 1背包問題有好幾種貪婪策略，每個貪婪策略都採用多步過程來完成背包的裝入。在每一步過程中利用貪婪準則選擇一個物品裝入背包。一種貪婪準則為：從剩餘的物品中，選出可以裝入背包的價值最大的物品，利用這種規則，價值最大的物品首先被裝入（假設有足夠容量），然後是下一個價值最大的物品，如此繼續下去。這種策略不能保證得到最優解。例如，考慮n=2, w=[100,10,10], p=[20,15,15], c=1 0 5。當利用價值貪婪準則時，獲得的解為x=[1 , 0 , 0]，這種方案的總價值為2 0。而最優解為[0 , 1 , 1]，其總價值為3 0。

另一種方案是重量貪婪準則是：從剩下的物品中選擇可裝入背包的重量最小的物品。雖然這種規則對於前面的例子能產生最優解，但在一般情況下則不一定能得到最優解。考慮n=2 ,w=[10,20], p=[5,100], c=2 5。當利用重量貪婪策略時，獲得的解為x=[1,0], 比最優解[0 , 1]要差。

還可以利用另一方案，價值密度pi /wi 貪婪演算法，這種選擇準則為：從剩餘物品中選擇可

裝入包的pi /wi 值最大的物品，這種策略也不能保證得到最優解。利用此策略試解n=3 ,w=[20,15,15], p=[40,25,25], c=30 時的最優解。

我們不必因所考察的幾個貪婪演算法都不能保證得到最優解而沮喪， 0 / 1背包問題是一個N P-複雜問題。對於這類問題，也許根本就不可能找到具有多項式時間的演算法。雖然按pi /wi 非遞（增）減的次序裝入物品不能保證得到最優解，但它是一個直覺上近似的解。我們希望它是一個好的啟發學習法演算法，且大多數時候能很好地接近最後演算法。在6 0 0個隨機產生的背包問題中，用這種啟發學習法貪婪演算法來解有2 3 9題為最優解。有5 8 3個例子與最優解相差1 0 %，所有6 0 0個答案與最優解之差全在2 5 %以內。該演算法能在O(nl o gn)時間內獲得如此好的效能。我們也許會問，是否存在一個x(x<1 0 0)，使得貪婪啟發法的結果與最優值相差在x%以內。答案是否定的。為說明這一點，考慮例子n=2, w=[1 ,y], p=[1 0 , 9y], 和c=y。貪婪演算法結果為x=[1,0], 這種方案的值為1 0。對於y≥1 0 / 9，最優解的值為9 y。因此，貪婪演算法的值與最優解的差對最優解的比例為(( 9y - 1 0)/9y* 1 0 0) %，對於大的y，這個值趨近於1 0 0 %。但是可以建立貪婪啟發學習法方法來提供解，使解的結果與最優解的值之差在最優值的x%(x<100) 之內。首先將最多k 件物品放入背包，如果這k 件物品重量大於c，則放棄它。否則，剩餘的容量用來考慮將剩餘物品按pi /wi 遞減的順序裝入。通過考慮由啟發法產生的解法中最多為k 件物品的所有可能的子集來得到最優解。

例13-9 考慮n=4, w=[2,4,6,7], p=[6,10,12,13], c=11。當k=0時，背包按物品價值密度非遞減順序裝入，首先將物品1放入背包，然後是物品2，背包剩下的容量為5個單元，剩下的物品沒有一個合適的，因此解為x=[1 , 1 , 0 , 0]。此解獲得的價值為1 6。

現在考慮k=1時的貪婪啟發法。最初的子集為{1} , {2} , {3} , {4}。子集{1} , {2}產生與k=0時相同的結果，考慮子集{3}，置x3 為1。此時還剩5個單位的容量，按價值密度非遞增順序來考慮如何利用這5個單位的容量。首先考慮物品1，它適合，因此取x1 為1，這時僅剩下3個單位容量了，且剩餘物品沒有能夠加入背包中的物品。通過子集{3}開始求解得結果為x=[1 , 0 , 1 , 0]，獲得的價值為1 8。若從子集{4}開始，產生的解為x=[1 , 0 , 0 , 1]，獲得的價值為1 9。考慮子集大小為0和1時獲得的最優解為[1 , 0 , 0 , 1]。這個解是通過k=1的貪婪啟發學習法演算法得到的。

若k=2，除了考慮k< 2的子集，還必需考慮子集{1 , 2} , {1 , 3} , {1 , 4} , {2 , 3} , {2 , 4}和{3 , 4}。首先從最後一個子集開始，它是不可行的，故將其拋棄，剩下的子集經求解分別得到如下結果：[1 , 1 , 0 , 0] , [1 , 0 , 1 , 0] , [1 , 0 , 0 , 1] , [0 , 1 , 1 , 0]和[0 , 1 , 0 , 1]，這些結果中最後一個價值為2 3，它的值比k=0和k=1時獲得的解要高，這個答案即為啟發學習法方法產生的結果。 這種修改後的貪婪啟發方法稱為k階最佳化方法（k - o p t i m a l）。也就是，若從答案中取出k 件物品，並放入另外k 件，獲得的結果不會比原來的好，而且用這種方式獲得的值在最優值的( 1 0 0 /(k + 1)) %以內。當k=1時，保證最終結果在最佳值的5 0 %以內；當k=2時，則在3 3 . 3 3 %以內等等，這種啟發學習法方法的執行時間隨k的增大而增加，需要測試的子集數目為O(nk)，每一個子集所需時間為O(n)，因此當k >0時總的時間開銷為O(nk+1)。實際觀察到的效能要好得多。