Java 我们能把背包问题转换成对数时间吗？

如果我想要一个有保证的最优解，那么我能做的最好的就是一个N^（N-1）解，因为我必须评估每一个可能的组合

---

如果我想找到一个类似于optional的好的解决方案，那么我认为O（log（N））中有一些算法可以找到这样的解决方案。答案究竟是什么？

就是这样，这取决于我、你和你的系统。这类问题的范围惊人地大，即它需要的数据存储容量。关于限制动态编程，挑战在于您修复的代码中不同子问题的数量。挑战总是如此之高，以至于没有时间限制。在这种情况下，我必须优化它。例如，矩阵链的乘法应该属于该组

在某些情况下，我可能会使用矩阵或哈希表；这是因为两者都有时间进行O（1）查找。时间复杂度可以从O（2^n）指数时间增加到O（2^n）伪多项式时间复杂度（nxw）。这也意味着，如果WW是一个常数，或者在NN（我的背包幂）中有一个多项式，那么动态程序就是多项式时间

但是我需要优化它，从psuedo多项式时间O（nxw）到对数时间复杂度O（logn）。例如，我用动态规划方法解决了一个背包问题，该方法在空间和时间上都采用了多项式时间复杂性O（N x W）：

类背包{
静态整数最大值（整数a、整数b）
{返回（a>b）？a:b；}
静态整数背包（整数W，整数wt[]，整数val[]，整数n）
{ 
int i，w；
整数K[][]=新整数[n+1][W+1]；
对于（i=0；i就是这样，这取决于，这取决于我、你和你的系统。这些问题的范围惊人地大，也就是说，它需要的数据存储容量。关于限制动态编程，挑战是你修复的代码中不同子问题的数量。挑战总是如此之高以至于没有时间限制。我必须在这种情况下对其进行优化。例如，矩阵链的乘法应该属于该组

在某些情况下，我可能会使用矩阵或哈希表；这是因为两者都有时间进行O（1）查找。时间的复杂性可以从O（2^n）指数时间增加到O（2^n）伪多项式时间复杂性（nx W）这也意味着，如果WW是一个常数，或由我的背包幂NN中的多项式所限定，则动态程序是多项式时间

但我需要优化它，从伪多项式时间O（nx W）到对数时间复杂性O（logn）。例如，我用动态规划方法解决了一个背包问题，该方法在空间和时间上都考虑了多项式时间复杂性O（nx W）：

类背包{
静态整数最大值（整数a、整数b）
{返回（a>b）？a:b；}
静态整数背包（整数W，整数wt[]，整数val[]，整数n）
{ 
int i，w；
整数K[][]=新整数[n+1][W+1]；
对于（i=0；依这种方式，“对数时间”应该是O（logn），而不是O（n logn）。在O（logn）时间内实现合理的近似值显然是不可能的，因为您需要至少访问每个项目一次。顺便说一下，“对数时间”应该是O（logn），而不是O（n logn）。在O（logn）时间内实现合理的近似值时间显然是不可能的，因为你需要至少访问每个项目一次。我不知道为什么将解决方案移动到多项式时间只是使用哈希表。要获得最佳解决方案，你确实需要搜索所有变量。我不认为你能够得到它，@kelly jade，NP Complete是最重要的背包问题，因此没有已知的答案在多项式时间内运行的精确算法，更不用说对数时间了。这取决于你如何处理它。为了最小化计算空间，我不知道为什么将解移动到多项式时间只是使用哈希表。要得到最佳解，你需要搜索所有的变量。我认为你无法得到它，@kelly jade，NP完全是最重要的背包问题，因此没有已知的精确算法可以在多项式时间内运行，更不用说对数时间了。这取决于你如何处理它。为了最小化计算空间，更安全