二维背包（潜水员）

<think>我们使用动态规划来解决二维背包问题。状态dp[i][j]表示至少获得i升氧气和j升氮气所需的最小重量。 注意：这里的状态是“至少”，意味着我们可以提供超过所需的氧气或氮气，但重量要最小。 初始化：dp[0][0]=0，表示没有需求时重量为0；其他状态初始化为一个很大的数（表示不可达）。 然后，对于每个气缸（提供a升氧气，b升氮气，重量为c），我们更新状态： 对于当前状态(i, j)，考虑使用这个气缸后，新的氧气量是i+a（但注意，如果i+a超过需求，我们只需要需求那么多，因为超过部分没有用，但我们可以用需求上限来避免不必要的计算。然而，在状态转移中，我们可以通过将超过需求的部分截断到需求上限来减少状态数。但题目要求至少满足，所以超过需求是可以的，但我们在状态表示中可以用不超过需求上限的状态来优化，但实际上我们只需要记录到需求上限即可，因为超过部分不会降低重量。 因此，我们可以这样设计： 状态转移方程：dp[i][j] = min(dp[i][j], dp[max(0, i - a)][max(0, j - b)] + c) 但是，注意：我们要求的是至少i和j，所以当我们加入一个气缸（提供a,b）时，那么之前的状态只需要满足至少i-a和j-b即可（如果i-a<0，那么之前状态可以是0，因为负数需求相当于0）。 然而，为了避免状态过多，我们可以将dp数组的大小设置为[m+1][n+1]，然后从大到小更新（类似于背包问题的倒序更新，防止重复使用同一个气缸）。 具体步骤： 1. 初始化dp数组，大小为(m+1) x (n+1)，所有元素初始化为一个很大的数（比如INT_MAX/2），dp[0][0]=0。 2. 遍历每个气缸（k个）： for (int i = m; i >= 0; i--) for (int j = n; j >= 0; j--) 如果当前状态dp[i][j]不是无穷大，那么考虑使用当前气缸后，新的氧气量 = i + a，新的氮气量 = j + b。 但是，由于我们只需要满足至少m和n，所以当i+a>m时，我们可以将其视为m（因为超过m的部分我们不需要，而且不会影响后续决策，因为后续决策只关心至少m和n）；同样，当j+b>n时，视为n。 因此，新的状态为：ni = min(i+a, m), nj = min(j+b, n) 然后更新：dp[ni][nj] = min(dp[ni][nj], dp[i][j] + c) 但是注意：上面的顺序遍历会重复使用同一个气缸？不对，因为我们是倒序遍历的（从大到小），所以每个气缸只使用一次。 然而，另一种常见的做法是：将每个气缸看作一个物品，然后使用二维背包的模板。状态转移也可以这样： for (int i = m; i >= 0; i--) for (int j = n; j >= 0; j--) // 当前状态(i,j)可以由(i - a, j - b)转移而来，但要注意不能为负 int pre_i = max(0, i - a); int pre_j = max(0, j - b); dp[i][j] = min(dp[i][j], dp[pre_i][pre_j] + c); 两种方法都可以，但第二种更常见，而且更容易理解：即每个气缸使用一次，更新所有状态。 我们采用第二种方法，因为第一种方法在更新时，我们是从当前状态加上这个气缸去更新新状态，而第二种是从之前的状态加上这个气缸来更新当前状态。实际上，第二种方法更符合背包的常规思路。 步骤（第二种方法）： dp[i][j]：表示至少需要i升氧气和j升氮气所需的最小重量。 初始化：dp[0][0]=0，其他为无穷大。 对于每个气缸（a, b, c）： 从大到小遍历i从m到0，j从n到0： pre_i = max(0, i - a); // 表示在加入这个气缸之前，至少需要pre_i升氧气 pre_j = max(0, j - b); // 同理 dp[i][j] = min(dp[i][j], dp[pre_i][pre_j] + c); 最后输出dp[m][n] 注意：为什么倒序遍历？因为每个气缸只能用一次，正序会导致同一个气缸被重复使用（因为状态更新会依赖前面的状态，而前面的状态可能已经使用过该气缸）。倒序可以保证每个气缸只被使用一次。 例子：5升氧，60升氮，气缸数据如上，我们期望得到249。 代码实现： 注意：由于m和n都不大（最大21和79），k最大1000，所以两层循环（m*n）是21*79=1659，再乘以k（1000）就是1659000，在可接受范围内。 代码：</think>### 解决方案：二维费用背包问题（01背包） #### 方法思路 这是一个经典的二维费用背包问题（01背包变种）。每个气缸可以看作一个物品，提供两种费用（氧气和氮气），并具有价值（重量）。目标是在满足至少所需氧气量（m）和氮气量（n）的前提下，最小化气缸总重量。 关键点： 1. **状态定义**：`dp[i][j]` 表示获得至少 `i` 升氧气和 `j` 升氮气所需的最小重量。 2. **状态转移**：对于每个气缸（氧气量 `a`，氮气量 `b`，重量 `c`），更新状态： - `dp[i][j] = min(dp[i][j], dp[max(0, i - a)][max(0, j - b)] + c)` 3. **倒序更新**：确保每个气缸只使用一次（01背包特性）。 4. **边界处理**：当 `i - a < 0` 或 `j - b < 0` 时，使用 `0` 作为索引（表示已满足该气体需求）。 #### 代码实现 ```cpp #include <iostream> #include <vector> #include <climits> #include <algorithm> using namespace std; int main() { int m, n; // 氧气和氮气需求 cin >> m >> n; int k; // 气缸数量 cin >> k; // 初始化DP数组：dp[i][j] = 至少i升氧气和j升氮气的最小重量 vector<vector<int>> dp(m + 1, vector<int>(n + 1, INT_MAX)); dp[0][0] = 0; // 基础状态：0升氧气和0升氮气重量为0 // 处理每个气缸 while (k--) { int a, b, c; cin >> a >> b >> c; // 当前气缸的氧气、氮气、重量 // 倒序更新DP数组（01背包特性） for (int i = m; i >= 0; --i) { for (int j = n; j >= 0; --j) { // 跳过不可达状态 if (dp[i][j] == INT_MAX) continue; // 计算新状态索引（处理负数索引） int new_i = min(m, i + a); // 不超过需求上限 int new_j = min(n, j + b); // 更新新状态的最小重量 if (dp[new_i][new_j] > dp[i][j] + c) { dp[new_i][new_j] = dp[i][j] + c; } } } } cout << dp[m][n] << endl; return 0; } ``` #### 代码解释 1. **输入处理**：读取氧气需求 `m`、氮气需求 `n` 和气缸数量 `k`。 2. **DP数组初始化**： - 创建二维数组 `dp[m+1][n+1]`，初始值为 `INT_MAX`（表示不可达状态）。 - 设置基础状态 `dp[0][0] = 0`（无气体需求时重量为0）。 3. **气缸处理**： - 对于每个气缸，读取其氧气量 `a`、氮气量 `b` 和重量 `c`。 - **倒序更新状态**（从 `m` 到 `0`，`n` 到 `0`），确保每个气缸只使用一次。 4. **状态转移**： - 计算新状态 `new_i = min(m, i + a)` 和 `new_j = min(n, j + b)`（避免超过需求上限）。 - 更新新状态的最小重量：`dp[new_i][new_j] = min(当前值, dp[i][j] + c)`。 5. **结果输出**：`dp[m][n]` 即为满足需求的最小重量。 #### 复杂度分析 - **时间复杂度**：O(k × m × n)，其中 `k` 为气缸数量，`m` 和 `n` 为气体需求上限。 - **空间复杂度**：O(m × n)，用于存储DP数组。 --- ###