动态规划--01背包问题（1）

   学习算法可以知道机器怎么能像人一样思考，才、可以去搞大数据、人工智能等等。不说未来有多美好，眼下学算法本身就是很有趣儿的，研究每一个算法的精髓。

   前面的台阶问题是动态规划问题里面最简单的一个，只有一个维度的变化。今天的背包问题比前面稍微复杂一点，有两个变化维度。

   问题描述：

   有一个背包可盛的重量为4，现有3个物品，重量和价值如下表，问：如何让包内装入的物品具有最大的总价值？

 

 

物品	手机a	音响b	电脑c
价值v	1500	3000	2000
重量w	1	4	3

 

   我们可能会想，根据集合或排列组合可以知道共有7种放法，分别算出每一种组合的价值，通过比较得到价值最大的那个组合，就是背包里应该放的东西了。

   当每增加一件物品时，组合数量将会翻一倍，也就是说这种算法运行时间太慢。那么当物品有很多件时，我们应该怎么做才能很快地找出最优解呢？

   不妨这样想，往背包里放入物品的过程是一系列的决策过程，即某个物品放入背包还是不放，放或不放取决于能不能放，如果背包盛的下就可以放，盛不下就不放，那么放或者不放就会影响包内物品的总价值，我们计算价值的变化，总是保证当前价值最大，到最后一个物品决策完成，背包里的物品就确定了，而且一定是价值最大的情况。

   怎么算盛得下盛不下呢？我们按照合适的单位，比如1（或0.5），将背包分成不同大小的小背包，计算每一个物品在每一个小包容量的情况下，放入物品的最大价值。

   我们画下面这样一个表格。

 

 

	1	2	3	4
a（1,1500）	1500	1500	1500	1500
b（4,3000）	1500	1500	1500	3000
c（3,2000）	1500	1500	2000	3500

 

   下面说这个表格的数据是怎么来的。

 

   第一行：

   当背包可盛重量为1时，a重量为1，可放入，此时包最大价值为1500；

   当背包可盛重量为2时，a重量为1，可放入，尽管此时背包有重量1的剩余，但没有其它可放入的物品，此时包最大价值为1500；

   当背包可盛重量为3时，同上，此时包最大价值为1500；

   当背包可盛重量为4时，同上，此时包最大价值为1500；

 

   第二行：

   当背包可盛重量为1时，b重量为4，不可放入，此时背包还是上面计算过的结果，放入了a，此时包最大价值为1500；

   当背包可盛重量为2时，同上，此时包最大价值为1500；

   当背包可盛重量为3时，同上，此时包最大价值为1500；

   当背包可盛重量为4时，b重量为4，可放入，若放入价值为3000，不放入为1500，比较一下还是放入b，此时包最大价值为3000；

 

   第三行：

   当背包可盛重量为1时，c重量为3，不可放入，此时背包还是上面计算过的结果，放入了a，此时包最大价值为1500；

   当背包可盛重量为2时，c重量为3，不可放入，此时背包还是上面计算过的结果，放入了a，此时包最大价值为1500；

   当背包可盛重量为3时，c重量为3，可放入，若放入价值为2000，不放入为1500，比较一下还是放入c，此时包最大价值为2000；

   当背包可盛重量为4时，c重量为3，可放入，若放入c，包还剩余重量1，根据上面计算的结果当包可盛重量为1时最大价值为1500，此时价值为2000+1500=3500，不放入为3000，比较一下还是放入c，此时包最大价值为3500；

 

   由此可见，上面的问题答案为3500，背包内装入手机a和电脑c。

   

   这种求解的过程就是运用了动态规划，对于一眼就能看出的三件物品这个问题，求解的过程是有点繁琐，但对于一眼看不出的问题，这就是个很好的解决思路了。到这里，我们隐约看到了一点规律，那就是如果一个大问题没法下手的时候，我们可以把它分成小问题，而且后面的子问题还可以利用前面子问题的结果。就上面的例子而言，每增加一个物品，在计算新的一行的最大价值时，总是会用到上一行的某个或某两个格子的值，这就是规律。画表格的过程就是思考的过程，是利用动态规划求解最优解的过程，接下来我们根据这个思路，总结出动态规划的步骤去求得最优解。也就是：

1. 刻画背包问题的最优解的结构。
2. 递归定义最优解的值。
3. 计算背包问题最优解的值。
4. 根据计算的结果构造问题最优解。