/*************************************************************************
* Compilation: javac Knapsack.java
* Execution: java Knapsack N W
*
* Generates an instance of the 0/1 knapsack problem with N items
* and maximum weight W and solves it in time and space proportional
* to N * W using dynamic programming.
*
* For testing, the inputs are generated at random with weights between 0
* and W, and profits between 0 and 1000.
*
* % java Knapsack 6 2000
* item profit weight take
* 1 874 580 true
* 2 620 1616 false
* 3 345 1906 false
* 4 369 1942 false
* 5 360 50 true
* 6 470 294 true
*
*************************************************************************/
public class Knapsack {
private int[] profit;
private int[] weight;
private int N;
private int W;
public Knapsack(int n, int w)
{
N = n;
W = w;
dataGeneration();
}
private void dataGeneration()
{
profit = new int[N + 1];
weight = new int[N + 1];
// generate random instance, items 1..n
for (int n = 1; n <= N; n++) {
profit[n] = (int) (Math.random() * 1000);
weight[n] = (int) (Math.random() * W);
}
}
public boolean[][] doKnapsack()
{
// opt[n][w] = max profit of packing items 1..n with weight limit w
// sol[n][w] = does opt solution to pack items 1..n with weight limit w include item n?
int[][] opt = new int[N + 1][W + 1];
boolean[][] sol = new boolean[N + 1][W + 1];
for (int n = 1; n <= N; n++) {
for (int w = 1; w <= W; w++)
if (weight[n] <= w && (profit[n] + opt[n - 1][w - weight[n]] > opt[n - 1][w]))
{
opt[n][w] = profit[n] + opt[n - 1][w - weight[n]];
sol[n][w] = true;
}
else
{
opt[n][w] = opt[n - 1][w];
sol[n][w] = false;
}
}
return sol;
}
public void print(boolean[][] sol)
{
// determine which items to take
boolean[] take = new boolean[N + 1];
for (int n = N, w = W; n > 0; n--) {
if (sol[n][w]) { take[n] = true; w = w - weight[n]; }
else { take[n] = false; }
}
// print results
System.out.println("item" + "\t" + "profit" + "\t" + "weight" + "\t" + "take");
for (int n = 1; n <= N; n++) {
System.out.println(n + "\t" + profit[n] + "\t" + weight[n] + "\t" + take[n]);
}
}
public static void main(String[] args) {
int n = Integer.parseInt(args[0]); // number of items
int w = Integer.parseInt(args[1]); // maximum weight of knapsack
Knapsack app = new Knapsack(n, w);
boolean[][] sol = app.doKnapsack();
app.print(sol);
}
}
分享到:
相关推荐
总结来说,动态规划法求解0-1背包问题的关键在于构建正确的状态转移方程,并通过填表的方式逐步计算出所有子问题的最大价值。这种思想不仅可以应用于背包问题,还可以广泛应用于其他优化问题,如最长公共子序列、...
动态规划作为一种重要的算法设计策略,在解决优化问题方面有着广泛的应用。以下是基于提供的文档摘要对动态规划相关知识点的详细阐述。 #### 4.1 动态规划的基本要素 **为什么使用动态规划?** - **子问题不独立...
算法实验中用动态规划法解0-1背包问题,这里提供了源代码,仅供参考
在计算机算法设计与分析中,动态规划法是解决背包问题的常用方法之一。所谓背包问题,是指在有限的背包容量下,如何选择物品来达到最大价值的问题。在本文中,我们将对动态规划法求解0-1背包问题的改进算法进行详细...
在代码`0-1背包问题 动态规划法.cpp`中,可以看到如何定义这些数据结构和函数,以及如何调用它们进行计算。 此外,课程的随堂作业可能要求学生理解并实现这个过程,通过编写C代码来加深对动态规划的理解。在提交...
总的来说,这个C++实现的0-1背包问题动态规划算法不仅展示了如何利用动态规划解决问题,还提供了代码调试和测试的方法,是学习和理解动态规划算法的一个优秀实例。通过深入研究和实践,我们可以掌握这一重要的算法...
本资源包含了0-1背包问题的最佳所有解法,其中包括动态规划算法,回溯法算法,分支限界算法和贪心算法。包含源代码。
这个问题可以使用多种算法来解决,包括动态规划法、贪心算法、回溯法和分支限界法。下面分别详细介绍这四种方法。 1. **动态规划法**: 动态规划法是解决0-1背包问题的常用方法。基本思想是通过构建一个二维数组`c...
### 动态规划法与回溯法解决0-1背包问题 #### 一、实验目的与背景 0-1背包问题是一种经典的组合优化问题,在实际应用中有着广泛的用途,例如资源分配、投资组合等问题都可以抽象成背包问题的形式。本实验旨在通过...
动态规划法是一种解决最优化问题的有效方法,尤其适用于那些具有重叠子问题和最优子结构的复杂问题。在本章中,我们将深入探讨动态规划法的...理解并掌握动态规划法的原理和实践,对于提升算法设计和分析能力至关重要。
根据不同的策略和方法,我们可以使用贪心算法、动态规划、分支界限法以及回溯法来解决这个问题。 【贪心算法】是一种局部最优选择策略,它每次选择当前状态下最优的解决方案,期望最终得到全局最优解。在解决背包...
在哈工程的本科算法实验中,0-1背包问题是一个重要的学习内容,它涉及到动态规划、分支限界和回溯法这三种不同的算法解决策略。这些方法都是在处理优化问题时,尤其是面对有限资源和多种选择的情况下,寻找最优解的...
基于python实现贪心算法、蛮力法、动态规划法解决分数背包问题和0-1背包问题源码(高分课程设计).zip内含详细使用说明文档,个人经导师指导并认可通过的98分大作业设计项目,主要针对计算机相关专业的正在做课程...
解决0-1背包问题的常见算法包括动态规划法和回溯法。在这里,我们将介绍动态规划法。 动态规划法是通过创建一个二维数组dp来解决问题的。其中,dp\[i]\[j]表示前i个物品在容量为j时能得到的最大价值。通过迭代计算...
基于MATLAB平台,用动态规划法解决0-1背包问题,较为简单。参数分别为[物品重量,物品价值,背包容量,背包价值]
总结来说,0-1背包问题的贪心法和动态规划法是两种不同的解决策略。贪心算法虽然简单,但可能无法找到全局最优解,而动态规划则能确保找到最优解,但需要更多的计算资源。通过这样的实验,学生能够深入理解这两种...
C语言是一门面向过程、抽象化的通用程序设计语言,广泛应用于底层开发。C语言能以简易的方式编译、处理低级存储器。C语言是仅产生少量的机器语言以及不需要任何运行环境支持便
【资源说明】分别使用贪心算法、蛮力法、动态规划法解决分数背包问题和0-1背包问题python源码(带注释).zip分别使用贪心算法、蛮力法、动态规划法解决分数背包问题和0-1背包问题python源码(带注释).zip分别使用贪心...
0-1背包问题是一个经典的计算机科学优化问题,它在算法设计和分析中占有重要地位,尤其是在运筹学、组合优化和计算机科学的算法设计中。动态规划是解决此类问题的有效方法,通过构建一个二维数组来存储子问题的解,...