{
  "id": "knapsack-problem",
  "title": "背包问题",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "背包问题研究如何从重量和价值已知的物品中进行选择，使总重量不超过容量限制，同时使总价值最大。",
  "category": "computer-science",
  "subcategory": "algorithms-theory",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/knapsack-problem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/knapsack-problem/",
      "json": "https://aiwiki.page/en/knapsack-problem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "背包问题是数学优化中的一类问题：给定若干重量和价值已知的物品，选择其中的一部分，使总重量不超过给定容量，并使总价值尽可能大。这个名称让人联想到向承重有限的背包中装入物品。标准的 0–1背包问题规定每件物品最多只能选择一次；其他变体则允许重复选取物品、分割物品、使用多个背包，或同时施加多种资源约束。它是计算机科学中的一个重要范例，因为一些密切相关的版本可以高效求解，另一些版本却在计算上十分困难。"
    },
    {
      "heading": "数学表述",
      "text": "对于 \\(n\\) 件物品，设物品 \\(i\\) 的重量为 \\(w_i\\)，价值为 \\(v_i\\)，背包容量为 \\(W\\)。标准的0–1形式为\n\n\\[\\begin{aligned} \\text{maximize}\\quad & \\sum_{i=1}^{n} v_i x_i\\\\ \\text{subject to}\\quad & \\sum_{i=1}^{n} w_i x_i \\leq W,\\\\ & x_i\\in\\{0,1\\}\\qquad (i=1,\\ldots,n). \\end{aligned}\\]\n\n变量 \\(x_i\\) 表示是否选择物品 \\(i\\)。这是整数规划的一个特例，具有一个容量约束，且决策变量均为二元变量。\n\n重量不一定表示物理意义上的质量，也可以表示成本、存储空间占用、处理时间或其他有限资源。价值则可以表示利润、效用、优先级或预期收益。\n\n常见的算法表述假定重量为正整数，价值为非负整数，并以二进制编码这些数值。也可以考虑有理数输入，但此时必须谨慎理解那些依赖数值大小的运行时间。重量超过容量的物品可以直接舍弃。在通常的模型中，重量为零且价值为正的物品可以直接选入。\n\n例如，假设容量为 \\(50\\)：\n\n物品 | 重量 | 价值 | 价值重量比\nA | 10 | 60 | 6\nB | 20 | 100 | 5\nC | 30 | 120 | 4\n\n按价值重量比从高到低选择物品，会选中A和B，总价值为 \\(160\\)。最优选择则是B和C，总价值为 \\(220\\)。这说明，对于不可分割的物品，局部看来有利的选择未必能得到最优组合。"
    },
    {
      "heading": "主要变体",
      "text": "0–1背包、多重背包与完全背包\n\n在0–1背包问题中，每件物品要么选取，要么不选。\n\n在多重背包问题中，第 \\(i\\) 类物品的可用数量为给定的 \\(b_i\\)，因此\n\n\\[x_i\\in\\{0,1,\\ldots,b_i\\}.\\]\n\n在完全背包问题中，每类物品都可以选取任意非负整数件。由于物品重量为正，有限容量内只能装入有限件物品。将物品数量拆分成若干组，就可以把多重背包实例转化为0–1背包实例，常用的方法是二进制分组。\n\n尽管这些变体彼此相似，但其递推关系不同，或者在节省内存的实现中需要采用不同的更新顺序。\n\n分数背包\n\n在分数背包问题中，每件物品都可以分割：\n\n\\[0\\leq x_i\\leq 1.\\]\n\n求解时，先按 \\(v_i/w_i\\) 从高到低排列物品，能装下整件时就选取整件，再从下一件物品中取出恰好填满剩余容量的部分，即可得到最优解。若采用基于比较的排序，这种贪心算法的时间为 \\(O(n\\log n)\\)。\n\n其正确性依赖于物品的可分割性：将一定数量、价值重量比较低的物品替换为同等重量、价值重量比较高的物品，不会降低总价值。这种交换论证不适用于不可分割的物品。\n\n多重约束与多个背包\n\n在多维背包问题中，每件物品都会消耗多种资源。约束形式为\n\n\\[\\sum_{i=1}^{n} w_{ji}x_i\\leq W_j, \\qquad j=1,\\ldots,d.\\]\n\n例如，一个项目可能既消耗资金，又占用人员工时。此时，以容量为索引的动态规划，其状态空间大小通常取决于各项容量的乘积，因而可能大到难以处理。\n\n在多背包问题中，需要将物品分配到多个各有容量限制的背包中，且通常每件物品最多只能分配到一个背包。这与多维背包不同：使用多个容器，不等于对同一组选取的物品同时施加多种资源限制。\n\n其他扩展还会加入分组选择、依赖关系、物品间冲突或非线性价值等条件。这些附加条件可能显著改变可用的算法及其近似保证。"
    },
    {
      "heading": "计算复杂性",
      "text": "优化问题要求找出总价值最大的可行选择。其判定版本则询问，是否存在一种选择，同时满足\n\n\\[\\sum_i w_i x_i\\leq W \\quad\\text{and}\\quad \\sum_i v_i x_i\\geq V,\\]\n\n其中 \\(V\\) 为目标价值。\n\n对于以二进制编码的整数输入，这一判定问题具有NP完全性，而优化问题具有NP难性。给定一种选择，可以高效验证其是否满足要求，但目前尚无能在多项式时间内精确求解所有实例的算法。如果存在这样的算法，就能解决P与NP问题，证明 \\(P=NP\\)。\n\n标准问题是弱NP完全的，这反映出它对数值大小的依赖。它存在一种伪多项式时间算法，其运行时间是 \\(n\\) 和 \\(W\\) 的多项式，但未必是二进制输入长度的多项式。表示 \\(W\\) 只需要 \\(O(\\log W)\\) 位，因此遍历从零到 \\(W\\) 的所有容量，相对于这一表示的长度而言，可能需要指数级的步骤。\n\n与之密切相关的子集和问题询问，能否从输入的数中选出若干个，使其和恰好等于目标值 \\(B\\)。将每件物品的重量和价值都设为对应的输入数，将容量设为 \\(B\\)，并要求总价值至少为 \\(B\\)，就可以将其表述为背包问题。"
    },
    {
      "heading": "精确算法",
      "text": "穷举搜索与折半搜索\n\n枚举所有子集需要考察 \\(2^n\\) 种可能。这种方法只有在 \\(n\\) 较小时才实用，不过剪枝可以减少某些实例中的计算量。\n\n折半搜索算法将物品分成两组，分别枚举每组能够达到的重量—价值对。删除被支配的数对并排序后，再将两组中彼此兼容的选择组合起来。忽略多项式因子，其运行时间约为 \\(O(2^{n/2})\\)，但需要较大的内存。\n\n当物品数量适中，而容量过大、不适合建立以容量为索引的表时，这种方法很有用。\n\n按容量进行动态规划\n\n对于整数重量，动态规划提供了一种精确求解方法。定义 \\(D(i,c)\\) 为仅使用前 \\(i\\) 件物品、容量为 \\(c\\) 时能够获得的最大价值，则有\n\n\\[D(i,c)= \\begin{cases} D(i-1,c), & w_i>c,\\\\[4pt] \\max\\!\\left(D(i-1,c),\\,D(i-1,c-w_i)+v_i\\right), & w_i\\leq c. \\end{cases}\\]\n\n边界条件为 \\(D(0,c)=0\\)，答案为 \\(D(n,W)\\)。\n\n共有 \\(O(nW)\\) 个状态，在通常的算术计算模型下，处理每个状态只需常数次操作。因此，时间复杂度为 \\(O(nW)\\)。存储完整表格需要 \\(O(nW)\\) 的空间；若只保留求最优值所需的信息，则可将空间复杂度降至 \\(O(W)\\)。\n\n一维实现按降序更新容量：\n\ndp[0 ... W] = 0\n对于每件物品 i：\n    令 c 从 W 递减至 w[i]：\n        dp[c] = max(dp[c], dp[c - w[i]] + v[i])\n\n降序更新可防止当前物品被重复使用。若改为按升序更新容量，就允许重复使用该物品，实现的便是相应的完全背包递推关系。\n\n要还原所选物品，需要额外记录信息、保留表格，或使用重构过程；仅有最优值数组，并不能直接记录具体选择。\n\n按价值进行动态规划\n\n当价值为较小的整数而重量很大时，可以将这两个量的作用对调。设 \\(M(i,p)\\) 为使用前 \\(i\\) 件物品、使总价值恰好为 \\(p\\) 所需的最小重量。不可达状态的重量设为 \\(+\\infty\\)。\n\n递推关系为\n\n\\[M(i,p)= \\min\\!\\left( M(i-1,p), M(i-1,p-v_i)+w_i \\right),\\]\n\n其中，当 \\(p<v_i\\) 时省略第二项。答案是满足 \\(M(n,p)\\leq W\\) 的最大 \\(p\\)。\n\n若 \\(P=\\sum_i v_i\\)，则基本算法的时间为 \\(O(nP)\\)。这种表述也为通过缩放价值进行近似求解奠定了基础。\n\n分支定界法与优化求解器\n\n分支定界法在探索部分选择方案的同时，舍弃那些不可能改进当前最佳可行解的分支。求解分数松弛问题，可以给出某个分支所能达到的价值上界。\n\n实用的整数规划求解器可能将这类界与预处理、割平面和专门的搜索方法结合使用。它们能够求解许多规模可观的实例，但性能高度依赖实例结构，并不能消除最坏情况下的复杂性。"
    },
    {
      "heading": "近似算法",
      "text": "尽管精确优化具有NP难性，标准0–1背包问题仍然可以高效地进行近似求解。\n\n一种简单的近似算法首先舍弃重量超过容量的物品，再将剩余物品按价值重量比排序。它取出排序序列中、首件会导致容量超限的物品之前的整件物品前缀，并将该前缀与价值最高的可行单件物品进行比较。两者中较好的选择，其价值至少为最优值的一半。\n\n这一保证来自分数松弛：分数松弛的最优值，不超过上述前缀的价值加上首件无法完整装入的物品的全部价值。这两项分别不超过所比较的两个候选解的价值。\n\n更进一步，0–1背包问题存在完全多项式时间近似方案，即完全多项式时间近似方案（FPTAS）。对于任意 \\(0<\\varepsilon<1\\)，它都能在关于输入长度和 \\(1/\\varepsilon\\) 的多项式时间内，返回一个价值至少为\n\n\\[(1-\\varepsilon)\\operatorname{OPT},\\]\n\n的可行解。\n\n一种标准构造方法是：舍弃不可行的物品，令 \\(V_{\\max}\\) 为剩余物品中的最大价值，并设置\n\n\\[K=\\frac{\\varepsilon V_{\\max}}{n}, \\qquad \\widehat v_i= \\left\\lfloor\\frac{v_i}{K}\\right\\rfloor.\\]\n\n若所有可行物品的价值都为零，该实例便可直接求解。否则，用动态规划精确求解缩放价值后的实例。每件选中物品因取整而损失的价值小于 \\(K\\)，因此总损失至多为\n\n\\[nK=\\varepsilon V_{\\max}\\leq\\varepsilon\\operatorname{OPT}.\\]\n\n在标准算术计算模型下，一种直接实现的时间为 \\(O(n^3/\\varepsilon)\\)。更先进的方案可以改进这一界。这些保证适用于标准的单约束问题，并不会自动延伸到其扩展形式。"
    },
    {
      "heading": "应用与建模局限",
      "text": "背包模型出现在预算分配、货物选择、项目选择、存储管理和资源受限调度等领域。它们也会作为子问题，嵌入规模更大的优化方法中。\n\n基本模型假设各件物品的价值可以独立相加，且资源消耗已知。它不能直接刻画某些相互作用，例如两个项目只有同时选中才有价值、未来成本存在不确定性，或优先级无法用单一数值目标表示等情形。依赖关系和多种资源都需要通过明确扩展模型来处理。\n\n背包问题与装箱问题相关，但并不相同。背包问题通常是在有限容量下选择价值较高的物品子集；装箱问题则通常要求装入所有物品，同时尽量减少容器数量。\n\n类似背包的问题也曾用于密码学。早期方案包括基于具有特定结构的子集和实例构建的公钥系统。一些著名的早期构造后来被攻破：一般背包实例的求解难度，并不能证明某种具有特定结构的密码构造是安全的。"
    }
  ],
  "links": [
    "mathematical-optimization",
    "computer-science",
    "integer-programming",
    "greedy-algorithm",
    "np-completeness",
    "np-hardness",
    "p-versus-np-problem",
    "dynamic-programming",
    "time-complexity",
    "space-complexity",
    "branch-and-bound",
    "approximation-algorithm",
    "cryptography"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}