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

# 背包问题算法设计 问题要求在一个物品集合中选择合适的物品放入背包，在放入背包中的物品总重量不超过背包容量的前提下，希望放入背包的物品总价值最大。根据是否允许部分物品放入背包的要求，背包问题可以分为【**分数背包问题**】和【**0-1背包问题**】。 ## 1. 概要设计 + 分数背包问题，使用贪心算法得到最优解。 + 0-1背包问题，若求近似解，使用贪心算法；若求最优解，则分别使用蛮力法、动态规划法及记忆功能改进的动态规划法求解，对于两种动态规划法，返回最终得到的动态规划表。 >算法具体功能设计流程如图: <img src="https://raw.githubusercontent.com/Yuqunyi/Knapsack-problem/main/image/picture1.png" width="450px"> ## 2. 具体算法设计 + **贪心算法** ①求分数背包问题最优解，其思想是求出每个物品的单位价值，并由高至低依次选择物品放入背包，若物品重量小于等于背包容量，则放入背包；否则，将物品进行拆分，将部分物品装进背包中。当背包剩余容量为0时，停止循环，返回最优总价值。函数设计如下： ```python def Greedy_F(n,c): #贪心算法求解分数背包问题最优解 #n表示物品个数,c表示背包容量 global opt1 Sumvalue1 = 0 #记录背包内物品总价值 opt1 = [0]*n #记录选择的物品 danwei_v = [] for i in range(n): d = v[i]/w[i] #计算物品单位价值 danwei_v.append(d) value = list(enumerate(danwei_v)) #enumerate()函数将物品序号与其对应单位价值组合为一组数对 value.sort(key=lambda a: a[1], reverse=True) #按物品单位价值降序排序 while c > 0: for i in range(n): if w[value[i][0]] <= c: Sumvalue1 += v[value[i][0]] opt1[value[i][0]] = w[value[i][0]] c -= w[value[i][0]] else: Sumvalue1 += c*danwei_v[value[i][0]] opt1[value[i][0]] = c c -= c else: break return Sumvalue1 #返回最优总价值 ``` ②求0-1背包问题近似解，首先求出每个物品的单位价值，利用循环语句，每次选择单位价值最高的物品装入背包，若物品重量小于等于背包容量，则放入背包，否则，比较下一个物品，直到背包剩余容量为0或已经遍历完所有物品时，停止循环，返回最优总价值。函数设计如下： ```python def Greedy_I(n,c): #贪心算法求解0-1背包近似解 global opt2 Sumvalue2 = 0 opt2 = [0]*n danwei_v = [] for i in range(n): d = v[i]/w[i] danwei_v.append(d) value = list(enumerate(danwei_v)) value.sort(key=lambda a: a[1], reverse=True) while c > 0: for i in range(n): if w[value[i][0]] <= c: Sumvalue2 += v[value[i][0]] opt2[value[i][0]] = 1 c -= w[value[i][0]] else: break return Sumvalue2 ``` + **蛮力法** 求0-1背包问题最优解。首先穷举物品的全部子集，设置一个记录最大价值的变量maxvalue，遍历所有子集，计算每个子集物品的总重量，若能装入背包，且当前的背包价值大于maxvalue，则将当前值赋值给maxvalue，最后循环遍历完所有的物品组合得到最优解，函数设计如下： ```python def Brute(n,c): #蛮力法求解0-1背包最优解 a = [0,1] l = list(product(a,repeat=n)) #求解[0,1]中元素的全排列组合，repeat=n表示单个元素最大重复次数 maxvalue = 0 #记录最大价值 global opt3 opt3 = [] for i in range(len(l)): #遍历所有子集 sumweight = 0 # 将总重量与总价值清零，计算下一子集 sumvalue = 0 for j in range(n): sumweight += l[i][j]*w[j] #计算子集的总重量 sumvalue += l[i][j]*v[j] if sumweight <= c and sumvalue > maxvalue: #判断该子集物品能否装入背包，并与最大价值比较进行更新 maxvalue = sumvalue opt3 = list(l[i]) return maxvalue ``` + **动态规划法** 动态规划算法求0-1背包问题最优解，初始化动态规划表，表中所有元素为0。单元格F(i,j)表示i个物品，承重量为j的背包最优解时的物品总价值，根据递推关系式： <img src="https://raw.githubusercontent.com/Yuqunyi/Knapsack-problem/main/image/picture2.png" width="500px"> 利用循环逐行填表，最后一个单元格的值F(n,c)即为所要求的的最大总价值，函数设计如下： ```python def DP(n,c): #动态规划法求解0-1背包问题最优解 for i in range(1,n+1): for j in range(1,c+1): if j-w[i-1] < 0: F1[i][j] = F1[i-1][j] #F1为初始化动态规划表，且为全局变量 else: F1[i][j] = max(F1[i-1][j],F1[i-1][j-w[i-1]]+v[i-1]) return F1[n][c] #最大总价值 ``` + **记忆功能改进动态规划算法** 该算法重点在于维护一个类似自底向上动态规划算法使用的表格，初始化动态规划表，表中第一行和第一列元素均为0，其他元素为-1，表明该单元格还没有被计算过。F(i,j)表示i个物品，承重量为j的背包最优解时的物品总价值。首先检查表中单元格的值是否小于0，若小于0，根据动态规划法的递推关系式使用递归调用进行计算，将返回的结果记录在表中，否则，直接返回单元格中的值。函数设计如下： ```python def MFK(i,j): #记忆功能改进动态规划法 value = 0 if F2[i][j] < 0: #F2为初始化动态规划表，且为全局变量 if j < w[i-1]: value = MFK(i-1,j) else: value = max(MFK(i-1,j),v[i-1]+MFK(i-1,j-w[i-1])) F2[i][j] = value #注意缩进 return F2[i][j] ``` + **回溯表格单元求最优子集的组成元素** 利用while循环及条件判断语句，从最后一个单元格开始，若F[i][j]>F[i-1][j],表明物品i以及F[i-1][j-w[i]]的一个最优子集包括在最优解中；否则，物品i不是最优子集的一部分，比较F[i-1][j]与F[i-2][j]，当回溯至背包剩余容量为0时，返回最优解。函数设计如下： ```python def show(F,n,c): #F为动态规划表 global opt4 opt4 = [0]*n #记录物品选择状态 i = n j = c while c > 0: if F[i][j] > F[i-1][j]: opt4[i-1] = 1 j -= w[i - 1] c -= w[i - 1] i -= 1 else: i -= 1 return opt4 ``` ## 3. 项目测试 **考虑下列数据给出的实例：** <img src="https://raw.githubusercontent.com/Yuqunyi/Knapsack-problem/main/image/picture3.png" width="250px"> + **分数背包问题** 通过贪心算法求得最优总价值为38.333，最优解为{物品2，物品3，物品4}，物品3只有2/3放入了背包。 <img src="https://raw.githubusercontent.com/Yuqunyi/Knapsack-problem/main/image/picture4.png" width="400px"> + **0-1背包问题** 1、贪心算法求其近似解，得到最大总价值为37，近似解为{物品1，物品2，物品4}。 <img src="https://raw.githubusercontent.com/Yuqunyi/Knapsack-problem/main/image/picture5.png" width="400px"> 2、蛮力法、动态规划法、记忆功能改进的动态规划法求最优解，得到最优总价值为37，最优解为{物品1，物品2，物品4}。可以看出，动态规划表F1中每个单元格的值都进行了计算，在F2中，-1表示没有计算的值，即只计算了11个值，从而应用记忆功能改进后，动态规划法的效率得到了提高。 <img src="https://raw.githubusercontent.com/Yuqunyi/Knapsack-problem/main/image/picture6.png" width="400px"> 根据测试结果可以看出，对于该实例，用**�