代码随想录 Day41 动态规划（背包问题）

动态规划（Dynamic Programming，DP）是解决背包问题（Knapsack Problem）的一种常用方法。背包问题可以描述为：给定一组物品，每种物品都有自己的重量和价值，背包的总容量是固定的。我们需要从这些物品中挑选一部分，使得背包内物品的总价值最大，同时不超过背包的总容量。
根据问题的不同变体，背包问题可以分为：
1. **0-1背包问题**：每种物品仅有一件，可以选择放入或不放入背包。
2. **完全背包问题**：每种物品有无限件，可以选择放入背包多次或不放入。
3. **多重背包问题**：每种物品有限定的数量，可以选择放入背包的次数在该限定范围内。

 0-1背包问题
对于0-1背包问题，使用动态规划解法的基本思想是：
定义一个二维数组 `dp[i][w]`，表示在前 `i` 个物品中选择，且背包容量为 `w` 时能够得到的最大价值。
状态转移方程为：
                                [ dp[i][w] = \max(dp[i-1][w], dp[i-1][w-weight[i]] + value[i]) \]
其中，`weight[i]` 和 `value[i]` 分别表示第 `i` 个物品的重量和价值。

 完全背包问题
对于完全背包问题，状态转移方程变为：
                               [ dp[i][w] = \max(dp[i-1][w], dp[i-1][w-weight[i]] + value[i]) \]
这里 `dp[i][w]` 表示考虑前 `i` 种物品，背包容量为 `w` 时能够装入的最大价值。

多重背包问题
多重背包问题的状态转移方程与完全背包问题类似，但需要考虑物品的数量限制。假设每种物品有 `n[i]` 件，则状态转移方程为：
                               [ dp[i][w] = \max(dp[i-1][w], \sum_{j=1}^{n[i]} dp[i-1][w-weight[i]-j\times delta[i]] + value[i]\times j) \]
其中，`delta[i]` 表示第 `i` 种物品的重量与价值之比。
以上是动态规划解决背包问题的基本方法。在实际编程实现时，通常使用一维数组对状态进行压缩，以优化空间复杂度。