文章标题：背包问题解法解析：货船租赁的最大载货量
1. 问题描述
在码头租用货船时，小S希望在给定的预算下，租赁能够承载最大总货物的货船组合。每种货船有固定的数量、租赁成本和最大载货量。问题要求在不超过预算的前提下，选择合适的货船，使得总的载货量最大。
输入：
Q：货船的种类数量。V：可用的总预算（单位：元）。ships：一个列表，包含每种货船的数量、租赁价格和载货量。
输出：
- 该组合下最大承载的货物重量。
2. 解题思路
这个问题实际上是一个“完全背包问题”的变种。每种货船的数量是有限制的，并且每种货船的租赁价格和载货量也是固定的。因此，问题的目标是选择合适的货船，使得在预算内能承载的货物量最大。
背包问题的特点：
- 在标准的背包问题中，每个物品只有一个，或者只能选择一次。
- 在完全背包问题中，每个物品可以选择多次，且每种物品的选择数量没有上限。
在本问题中，每种类型的货船可以选择多次，但数量是有限制的。
动态规划解法：
我们可以使用动态规划（Dynamic Programming, DP）来解决此问题，具体做法是维护一个一维数组 dp，其中 dp[i] 表示在预算 i 的情况下，能够承载的最大货物量。
3. 代码详解
def solution(Q, V, ships):
# dp[i]表示预算为i时可以承载的最大货物量
dp = [0] * (V + 1)
# 遍历每种货船
for m, v, w in ships:
# 采用完全背包的方式
for j in range(V, v - 1, -1):
for k in range(1, m + 1):
if j >= k * v:
dp[j] = max(dp[j], dp[j - k * v] + k * w)
else:
break
return dp[V]
代码解析：
- 初始化
dp数组：dp[i]存储预算为i时可以承载的最大货物量，初始值为 0，表示没有货船时，承载量为 0。 - 遍历每种货船： 每种货船都有一个最大数量、租赁价格和载货量。对于每种货船，我们将其加入预算不超过
V的背包中。 - 完全背包处理： 采用完全背包的动态规划方式。在内层循环中，遍历从
1到m的所有数量，模拟选择这类货船的次数，并计算选择这些货船后，剩余预算下的最大载货量。 - 更新
dp数组： 每次选择货船时，更新dp[j]的值，dp[j]代表在当前预算下的最大载货量。我们需要对每种选择数量进行比较，保留最大的载货量。 - 返回最终结果：
dp[V]即为在预算为V时能够承载的最大货物量。
4. 图解
为了更好地理解代码的运行过程，可以绘制一张简化版的图解：
假设有以下条件：
- 货船类型1：[数量2，租赁价格3元，载货量2吨]
- 货船类型2：[数量3，租赁价格2元，载货量10吨]
- 可用预算
V = 10
动态规划表 dp 可以在预算从 0 到 10 的过程中逐步更新。对于每种货船，我们考虑是否选择该货船，更新对应的 dp 值。
| 预算 | dp[预算] | 选择情况 |
|---|---|---|
| 0 | 0 | 无 |
| 1 | 0 | 无 |
| 2 | 2 | 1艘船类型1 |
| 3 | 2 | 无 |
| 4 | 4 | 2艘船类型1 |
| 5 | 4 | 无 |
| 6 | 6 | 3艘船类型1 |
| 7 | 10 | 1艘船类型2 |
| 8 | 12 | 1艘船类型2 + 1艘船类型1 |
| 9 | 12 | 无 |
| 10 | 32 | 2艘船类型2 + 1艘船类型1 |
最终结果 dp[10] = 32，即在预算为 10 元的情况下，可以最大化承载 32 吨货物。
5. 时间复杂度分析
-
空间复杂度：
O(V)，因为我们只使用了一个大小为V+1的一维数组来存储每个预算情况下的最大载货量。 -
时间复杂度：
O(Q * V * m)，其中：Q是货船的种类数量。V是可用的预算。m是每种货船的最大数量。
对于每个货船类型，我们最多尝试 m 次选择，每次都更新 dp 数组，因此时间复杂度是 O(Q * V * m)。
6. 结论
通过动态规划方法，我们能够有效地解决这个“货船租赁最大载货量”的问题。使用完全背包问题的变种，我们通过多次选择货船，确保在不超过预算的情况下，能够承载尽可能多的货物。此算法时间复杂度为 O(Q * V * m)，在实际应用中表现良好。
