完全背包问题讲解（dp）

此题之前先分析两种常见的背包问题，01背包与完全背包

01背包：在M件物品中取出若干件物品放到背包中，每件物品对应的体积v1,v2,v3,....对应的价值为w1,w2,w3,,,,，每件物品之多拿一件。

解决方案

　　考虑用动态规划的方法来解决，这里的：

　　阶段是：在前N件物品中，选取若干件物品放入背包中； 　　状态是：在前N件物品中，选取若干件物品放入所剩空间为W的背包中的所能获得的最大价值；

　　决策是：第N件物品放或者不放； 　

　

　由此可以写出动态转移方程：

　　我们用f[i,j]表示在前 i 件物品中选择若干件放在所剩空间为 j 的背包里所能获得的最大价值

　　f[i,j]=max{f[i-1,j-Wi]+Pi (j>=Wi), f[i-1,j]}                                      <1>

　　这个方程非常重要，基本上所有跟背包相关的问题的方程都是由它衍生出来的。所以有必要将它详细解释一下：“将前i件物品放入容量为v的背包中”这个子问题，若只考虑第i件物品的策略（放或不放），那么就可以转化为一个只牵扯前i-1件物品的问题。如果不放第i件物品，那么问题就转化为“前i-1件物品放入容量为v的背包中”，价值为f[v]；如果放第i件物品，那么问题就转化为“前i-1件物品放入剩下的容量为v-c的背包中”，此时能获得的最大价值就是f[v-c]再加上通过放入第i件物品获得的价值w。

 可优化成一维数组的表达式

　 for(i=1;i<=m;++i)                       <2>

　 for(v=V;v>=0;v--)

     if(v>=c[i])

　 f[v]=max{f[v],f[v-c]+w};

这里一定要注意次序，如果第二个for循环依次增大，则不能与<1>等价，因为f[v],f[v-c]的值不是类似于f[i-1][v],f[i-1][v-c]，不信自己可以举例试试，比如2个物品，体积为2,4；价值为1,3；如果顺序，定会出现错误。

    最优解法—O(VN)

　　for i=1..N

　　for j=0..V

　　f[j]=max{f[j],f[j-c]+w}

　　你会发现，这个伪代码与01背包的伪代码只有v的循环次序不同而已。为什么这样一改就可行呢？

　　首先想想为什么01背包中要按照v=V..0的逆序来循环。这是因为要保证第i次循环中的状态f[v]是由状态f[v-c]递推而来。换句话说，这正是为了保证每件物品只选一次，保证在考虑“选入第i件物品”这件策略时，依据的是一个没有已经选入第i件物品的子结果f[v-c]。

　　而现在完全背包的特点恰是每种物品可选无限件，所以在考虑“加选一件第i种物品”这种策略时，却正需要一个可能已选入第i种物品的子结果f[v-c]，所以就可以并且必须采用v=0..V的顺序循环。这就是这个简单的程序为何成立的道理。

　　这个算法也可以以另外的思路得出。例如，基本思路中的状态转移方程可以等价地变形成这种形式：

　　f[j]=max{f[j],f[j-c]+w}

　　将这个方程用一维数组实现，便得到了上面的伪代码。

　　最后抽象出处理一件完全背包类物品的过程伪代码，以后会用到：

　　procedure CompletePack(c,w)

　　for j=c..V

　　f[j]=max{f[j],f[j-c]+w}

总结

　　完全背包问题也是一个相当基础的背包问题，它有两个状态转移方程，分别在“基本思路”以及“最优解法—O(VN)”的小节中给出。希望你能够对这两个状态转移方程都仔细地体会，不仅记住，也要弄明白它们是怎么得出来的，最好能够自己想一种得到这些方程的方法。

　　事实上，对每一道动态规划题目都思考其方程的意义以及如何得来，是加深对动态规划的理解、提高动态规划功力的好方法。希望在你看完这篇文字后，会有所启发。

 完全背包：

有N种物品和一个容量为V的背包，每种物品都有无限件可用。

　　第i种物品的体积是c，价值是w。求解将哪些物品装入背包可使这些物品的体积总和不超过背包容量，且价值总和最大。这里不同之处是每件物品可无限取，这里就产生了很多可行的优化，比如同体积的有多种物品，则必然可以舍弃价值小的，也可以舍弃体积大于v的。

 基于以上理解在来解决这道题。

直接说题意，完全背包定义有N种物品和一个容量为V的背包，每种物品都有无限件可用。第i种物品的体积是c，价值是w。求解将哪些物品装入背包可使这些物品的体积总和不超过背包容量，且价值总和最大。本题要求是背包恰好装满背包时，求出最大价值总和是多少。如果不能恰好装满背包，输出NO

输入

第一行： N 表示有多少组测试数据（N<7）。
接下来每组测试数据的第一行有两个整数M，V。 M表示物品种类的数目，V表示背包的总容量。(0<M<=2000，0<V<=50000)
接下来的M行每行有两个整数c，w分别表示每种物品的重量和价值(0<c<100000，0<w<100000)

输出

对应每组测试数据输出结果（如果能恰好装满背包，输出装满背包时背包内物品的最大价值总和。 如果不能恰好装满背包，输出NO）

样例输入

2
1 5
2 2
2 5
2 2
5 1

样例输出                                                     NO              1

这里唯一不同的是背包如果不能完全装满，则输出NO，这里需要一个技巧，就是初始化时f[0],其余的均为-max，只有这样最大值为正时，只能通过f[0]在相加其他价值得到，如 背包体积为4时， 一种物品体积2，价值2；   则   f[0]=0; f[1]=-max; f[2]=max(f[2],f[0]+w[i])=2; 注意若背包不需要全部装满时，f[3]本该为2的，但此时f[3]=max(f[3],f[1]+2)=max(f[3],2-max)=2-max; 负无穷 这样应该明白了吧~

AC代码：

#include<iostream>
#include<stdio.h>
#include<string>
#include<cstring>
		using namespace std;
	int f[50010], c[2010], w[2010];
	int main()
	{
		int test, m, v, i, j;
		scanf("%d", &test);
		while (test--)
		{
			memset(f, -10000000, sizeof(f)); //用来判断背包是否装满
			f[0] = 0;
			scanf("%d%d", &m, &v);
			for (i = 1; i <= m; ++i)
				scanf("%d%d", &c[i], &w[i]);
			for (i = 1; i <= m; ++i)
			for (j = 0; j <= v; ++j)//注意此循环与01背包的用一维数组表示的状态方程的区别，一个循环逆序，一个顺序
			if (j >= c[i])
				f[j] = f[j]>(f[j - c[i]] + w[i]) ? f[j] : f[j - c[i]] + w[i];//完全背包的状态方程，可画图加深理解
			if (f[v]<0)//背包为装满
				printf("NO\n");
			else
				printf("%d\n", f[v]);
		}
	}