动态规划（背包九讲 一）

1.背包dp

背包问题有多种其中比较基础的就是01背包

其它背包问题也都是在01背包的基础上添加了一些条件和限制，所以只要01背包理解了，后面的学习也会比较轻松。

1.背包dp（选择模型）（闫式分析法）

闫式dp分析法：是一种分析dp问题的方法，可以更好理解dp问题。

1.从集合角度来分析dp问题，有限集合中的最值，比如求一个集合中的最大值，或者最小值，

第一个阶段：状态表示：化零为整 1.dp[i] 表示一个集合，它代表什么，存的是一个数（只考虑前 i个物品）

2.属性：存的这个值和集合之间是什么关系，max,min。

第二个阶段：状态计算：化整为零 1.把f[i] 化为若干个部分（若干个子集，子集满足两个条件 1.是不重复，求数量时我们要满足不重复，当我们们求最大值的时候其实是可以重复的，就比如求a，b，c 三个数的最大值，我们先求a，b最大值，再求b，c最大值，b虽然是重复了，但是并不影响我们的最大值，2.不遗漏），每一个部分分别去求，就比如求dp[i] 的最大值，我们可以对每一个子集取max再相加。相当于我们把一个集合的问题分解为每一个子集，然后每一个子集我们都可以再处理一下。

划分的依据：找最后一个不同点（选最后一个物品的方法）。

dp的优化和分析是分开的这样思路会更加清晰，dp的优化都是对代码做等价变形。

其实dp就是一种递推，我们在做dp有关的题时，要选择好状态参量，同时要想办法构造子问题也就是状态转移方程。

1. 01背包问题

1.题意

有n件物品，每件物品体积是v，价值是w，每件物品只能使用一次，有一个容量为V的背包，物品总体积不超过背包容量，求出最大价值。

2.基本思路

最基础的背包问题，每种物品只有一件，可以选择放或不放。

用子问题定义状态：即dp[i] [j] 表示前i件物品恰放入一个容量为j的背包可以获得的最大价值，很明显我们要求最大价值，那么属性就为max。为什么我们要把体积v作为一个状态参量呢，因为，我们把一个物体放入体积为v的背包中，那么剩余的空间又是一个子问题。当前的最优解不仅和当前物品价值有关，还和剩余的空间能装多少价值的物品有关。例如，你把一个体积为 1的物体放入体积为10的背包中，那么问题就转为体积是9的背包的问题了。就是从一个状态转移到另一个状态。

集合的划分就是状态转移方程，那么对于第 i 个物品，我们就有选和不选两种方案，

1.如果不选： dp[i] [j]=dp[i-1] [j]（物品的总数返回前面一个状态，当前容纳的重量不变）

2.如果选：dp[i] [j]=dp[i-1] [j-v[i]]+w[i]（选当前物品，物品的总数返回前一个状态，当前可容纳的重量减去物品重量，并加上物品的价值），最后我们要对两种情况取max。

例如，第一个物品为（5，1），第二个物品为（4，2）（前面为体积，后面为价值），假如此时我们在求解背包体积为 9 的问题，那么对于第二个物品我们可以选择，那么**此时就为当前物品的价值加上背包剩余空间（9-4==5）所能选择的物品的价值。**所以如果选择当前物品，此时总价值为当前物品价值 w[i]+不选当前物品时背包剩余空间所能选择前 i-1个物品的价值 dp[i-1] [j-v[i]]+w[i]

下面一张图方便大家理解，
例如，当i 等于 0时，没有物品所以价值为0；当j 等于0时，背包容量为0。
当 i=1时背包容量 j=1 时，因为物品体积为2>1，所以第 i个物品无法选择，dp[i] [j]=dp[i-1] [j]=0；

当i=1 ，j=2 时，此时可以选择第 i个物品（背包容积 j>=v[i]），dp[i] [j]=max(dp[i-1] [j],dp[i] [ j-v[i]]+w[i])，就进行判断选和不选。以此类推，我们要一行一行的进行递推。为什么我们要从小往大求，因为大的问题求解需要用到子问题的答案。

例如，当背包容量为 6时，i==2时，对于第二个物品我们可以进行选择，那么此时价值为5，背包还剩3个空间，这三个空间可以选择前 i-1个物品；所以就变成了当背包为 3时，选择前 1个物品dp[1] [3]==3，所以dp[2] [6]=max(dp[i-1] [j],dp[i-1] [j-v[i]]+w[i])=max(dp[1] [6],dp[1] [3]+5)=8。

3.代码

1.下面是朴素代码

#include<bits/stdc++.h>
using namespace std;
int v[1005],w[1005];
int dp[1005][1005]; //代表在容量为j的情况下对前i个物品选择的最大价值 
int main(){
	int n,v1;
	cin>>n>>v1;
	for(int i=1;i<=n;i++){
		cin>>v[i]>>w[i];
	}
	for(int i=1;i<=n;i++){
		for(int j=0;j<=v1;j++){
			//考虑第i个物品选和不选 
			dp[i][j]=dp[i-1][j]; //如果不选第i个物品，
			//那么背包内的价值就等于前i-1个，背包容量不变 
			if(j>v[j]) //如果选第i个 
			dp[i][j]=max(dp[i-1][j],dp[i][j-v[j]]+w[i]);
			//那么就判断一下选择和不选那个价值更大 
		} 
	}
	cout<<dp[n][v1]; 
}

2.优化代码

我们发现dp[i] [j]都是从dp[i-1] [j]推过来的，但我们进行递推的过程就是从上一个状态转移过来的，所以我们可以把这一维给取消掉。但如果我们从前往后遍历的话，一个物品有可能会被计算多次。例如下面表格，当第一个物品为（5，1）时，背包体积为10 时，背包价值为 2，很明显我们选择第一个物品，那么剩余的体积为 10-5=5，那么体积为 5的背包价值为 1，那么就会多算。这个其实就是后面的完全背包，因为完全背包一个物品可以取多次，这也是完全背包体积正向枚举的原因。

所以我们可以从后面往前遍历，进行空间优化

#include<bits/stdc++.h>
using namespace std;
const int N=1005;
int dp[N],v[N],w[N]; //dp代表当体积下背包的最大价值
int main(){
	int n,V;
	cin>>n>>V;
	for(int i=1;i<=n;i++)
	cin>>v[i]>>w[i];
	for(int i=1;i<=n;i++){
		for(int j=V;j>=v[i];j--){ //只需要遍历到v[i],因为后面比它小的肯定装不下
			dp[j]=max(dp[j],dp[j-v[i]]+w[i]);
		}
	}
	cout<<dp[V]; //所以dp[V]就为我们所求的
	return 0;
}

2.完全背包

1.思路

例题链接

和 01背包类似，只不过每个物品可以选择无数次。

第 i个不选（0个）：dp[i] [j]=dp[i-1] [j]

第 i个选（多个）：dp[i] [j]=dp[i-1] [j-k*v[i]]+k *w[i]，选当前的物品，子问题就是不选当前物品时背包剩余空间所能选择前 i个物品的最大价值，k代表我们选几个当前物品，最后我们要对两种情况取max。

2.代码

1.朴素写法

#include<iostream>
using namespace std;
const int N = 1010;
int dp[N][N];
int v[N],w[N];
int main()
{
    int n,m;
    cin>>n>>m;
    for(int i=1;i<=n;i++)
    cin>>v[i]>>w[i];
    for(int i=1;i<=n;i++){
    	for(int j=0;j<=m;i++){
    	for(int k=0;k*v[i]<=j;k++)
           dp[i][j]=max(dp[i][j],dp[i-1][j-k*v[i]]+k*w[i]);
		}
	}
    cout<<dp[n][m];
}

2.代码的优化

f[i , j ] = max( f[i-1,j] , f[i-1,j-v]+w , f[i-1,j-2v]+2w , f[i-1,j-3v]+3w , …)
f[i , j-v]= max( f[i-1,j-v] , f[i-1,j-2v] + w , f[i-1,j-3v]+2*w , …)
由上两式，可得出如下递推关系：
f[i][j]=max(f[i,j-v]+w , f[i-1][j])

知道了上面的关系，那么k循环就可以不要了，就可以优化为下面代码

#include<bits/stdc++.h>
using namespace std;
const int N=1005;
int dp[N][N];
int v[N],w[N];
int main(){
	int n,m;
	cin>>n>>m;
	for(int i=1;i<=n;i++){
		cin>>v[i]>>w[i];
	}
	for(int i=1;i<=n;i++){
		for(int j=0;j<=m;j++){
			dp[i][j]=dp[i-1][j];
			if(j>=v[i])
			dp[i][j]=max(dp[i-1][j],dp[i][j-v[i]]+w[i]);
		}
	}
	cout<<dp[n][m];
}

3.深层理解

我们会发现完全背包其实和 01背包很像，只有这一句不同（注意下标）

dp[i] [j] = max(dp[i] [j],dp[i-1] [j-v[i]]+w[i]); //01背包

dp[i] [j] = max(dp[i] [j],dp[i] [j-v[i]]+w[i]); //完全背包问题

其实就相当于我们可以重复选第 i个物品，而 01背包无法重复选，所以当背包选第 i个物品时，空间有剩余我们可以继续选择第 i个物品，而不是直接转化为选前 i-1个物品。

下面一张图方便大家理解

样例为

4 10 //背包空间为10
2 1  //前面为物品的体积，后面为物品的价值
3 3
4 6
8 10

例如，背包容量为 9，i=2时，我们可以选择第2个物品，此时价值为dp[2] [9-3]+3=9，其实就是背包剩余空间我们接着选择当前物品，也就是在当前层进行自我叠加。而01背包只能在上一层叠加。

我们发现 i=3时，和 i=4时，它们的状态一样，因为我们是先继承上一层的状态，然后进行比较看是选择当前物品结果更优，还是选择上一个物品更优。例如 i==4时，物品体积为 8，空间为小于 8时，我们无法进行选择，只能继承上一个状态。当空间为 8时，如果选择当前物品的话，价值为 10，如果不选当前物品的话，价值为 12，所以很明显继承上一个状态价值更大。

dp[i][j]=dp[i-1][j];
if(j>=v[i])
dp[i][j]=max(dp[i-1][j],dp[i][j-v[i]]+w[i]);

下面是两个讲解不错的视频，供大家查阅。

背包算法讲解
背包算法