菜鸡acmer理解 【动态规划】01背包问题

下定决心，这次总结完一定要深刻理解，不能再学了忘忘了学了。。。。。。
01背包问题描述
有n个物品，它们有各自的体积和价值，现有给定容量的背包，如何让背包里装入的物品具有最大的价值总和？

大体思路如下：
根据动态规划解题的步骤：问题抽象 -> 建立模型 ->寻找约束条件 ->判断是否满足最优性原理 -> 找大问题与小问题的递推关系式（最重要） -> 填表（模拟试一下）-> 寻找解的组成 ，从而找到01背包问题的最优解以及解得组成。

动态规划的原理：
动态规划根据泰泰学长的讲述，即为优雅的暴力，所谓优雅的暴力在我的理解便是将暴力进行优雅化（这不是废话么）。动态规划是具有记忆性的暴力（个人理解），将大问题分为子问题分为子子问题分为子子子问题……一直分到最终我们可以一步解决的子子子子子问题，在解决这些问题的时候因为要调用之前的子问题，我们通常的暴力都是一遍一遍再算一遍，而dp算法则是存储记忆，遇到子问题的时候可以直接提取，避免了重复计算。

背包问题的解决具体思路
首先为了方便描述，定义变量：Vi表示第 i 个物品的价值，Wi表示第 i 个物品的体积，定义V(i,j)：当前背包容量 j，前 i 个物品最佳组合对应的价值，同时背包问题抽象化（X1，X2，…，Xn，其中 Xi 取0或1，表示第 i 个物品选或不选）。
通过这样的变量我们很容易得到这样的思路：
1. 建立模型 我们所要求的便是 max（v1x1+v2x2+……+vn*xn）
2. 寻找约束条件 w1x1+w2x2+…+wnxn< j
3. 寻找递推关系式子： 当我们面对第 i 件物品的时候 我们有两个选择
（1） 当前背包容量 j<wi ，则我们无法装下 所以此时的价值与前i-1个价值是一样的 即v（i,j） = v（i-1,j）
（2） 当前背包容量j可以装下当前的第i个物品，但是我们要选择装还是不装，这样就用到了动态规划转移方程：v（i,j） = max｛V(i-1,j)，V(i-1,j-w(i))+v(i)｝
其中V（i-1，j）表示不装，V(i-1,j-w(i))+v(i) 表示装了第i个商品，背包容量减少w(i)，但价值增加了v(i)
由此可以得出递推关系式：
j<w(i) V(i,j)=V(i-1,j)
j>=w(i) V(i,j)=max｛V(i-1,j)，V(i-1,j-w(i))+v(i)｝
而为什么能装得下要这么写这个物品的时候，方程长这个样子（不长这样子还长啥样子）
我们再次理解一下v（i,j）数组，它的意思是我们用 j个空间装下了前面i个物品，也就是我们还还剩下的背包容量应该是 capacity - j，那我们为什么不用剩下的背包容量去判断我们应不应该装第i个物品呢？ 因为这涉及到一个思维的正序和逆序，在动态规划中，你想这个问题的时候是倒着想的，也就是用剩下的背包容量去判断第i个物品是否应该装进去，而写代码的时候我们用的是正序思维，也就是背包容量是固定的（当前容量固定），我们把物品装一个，再装一个，再装一个…
第一种是第i件商品没有装进去，第二种是第i件商品装进去了。没有装进去很好理解，就是V(i-1,j)；装进去了怎么理解呢？如果装进去第i件商品，那么装入之前是什么状态，肯定是V(i-1,j-w(i))。由于最优性原理（上文讲到），V(i-1,j-w(i))就是前面决策造成的一种状态，后面的决策就要构成最优策略。两种情况进行比较，得出最优。
4.填表，首先初始化边界条件，V（0，j） = V（i,0）=0；

然后一行一行的填表：

如，i=1，j=1，w(1)=2，v(1)=3，有j<w(1)，故V(1,1)=V(1-1,1)=0；
又如i=1，j=2，w(1)=2，v(1)=3，有j=w(1),故V(1,2)=max｛ V(1-1,2)，V(1-1,2-w(1))+v(1) ｝=max｛0，0+3｝=3；
如此下去，填到最后一个，i=4，j=8，w(4)=5，v(4)=6，有j>w(4)，故V(4,8)=max｛ V(4-1,8)，V(4-1,8-w(4))+v(4) ｝=max｛9，4+6｝=10……

5.填完表我们就可以看出来 最优的解是v(number,capacity)= v（4，8）=10
代码：

#include<iostream>
using namespace std;
#include <algorithm> 
int main()
{
	int w[5] = { 0 , 2 , 3 , 4 , 5 };			//商品的体积2、3、4、5
	int v[5] = { 0 , 3 , 4 , 5 , 6 };			//商品的价值3、4、5、6
	int bagV = 8;					        //背包大小
	int dp[5][9] = { { 0 } };			        //动态规划表
	for (int i = 1; i <= 4; i++)
	 {
		for (int j = 1; j <= bagV; j++)    //这个j表示的就是 我们用j个背包容量去装前i个物品
		 {
			if (j < w[i])
				dp[i][j] = dp[i - 1][j];
			else
				dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i]);
		}
	}
	//动态规划表的输出，最终答案应该为最后一行最后一列的答案
	for (int i = 0; i < 5; i++) {
		for (int j = 0; j < 9; j++) {
			cout << dp[i][j] << ' ';
		}
		cout << endl;
	}
	return 0;
}

再加一个zls说的滚动数组 一维01背包代码
第二层循环的遍历就是为了满足上述的第二个条件。 我们先设 j1 > j2 ,更新dp[ j1 ] 肯定在 更新dp[ j2 ] 的前面，就算 j1- w[i] = j2 , 也不会受影响。 故在 第 i 层的循环下，可以保证各个dp[ j ] 是由 前 i -1 层 dp 推出来的，而不会受本次循环其他dp更新的影响。

                  for(i=1;i<=n;i++)
                        for(j=t;j>=w[i];j--)
                             dp[j]=max(dp[j],dp[j-w[i]]+v[i]);

这里补充一个背包问题最优解回溯问题：
这个就是求出最优解的大小之后，输出背包中的每一个物品，即用到了回溯，回溯方式很简单：
1.V(i,j)=V(i-1,j)时，说明没有选择第i 个商品，则回到V(i-1,j)；
2.V(i,j)=V(i-1,j-w(i))+v(i)时，说明装了第i个商品，该商品是最优解组成的一部分，随后我们得回到装该商品之前，即回到V(i-1,j-w(i))；
3.一直遍历到i＝0结束为止，所有解的组成都会找到。

void findWhat(int i, int j) {                //最优解情况
    if (i >= 0) {
        if (dp[i][j] == dp[i - 1][j])   //如果相等代表我没有拿第i个物品  则向前回溯
         {
            item[i] = 0;
            findWhat(i - 1, j);
        }
        else if (j - w[i] >= 0 && dp[i][j] == dp[i - 1][j - w[i]] + v[i])  //如果不相等 且满足转移方程的逆序，则向前回溯的同时 将背包容量减少（其实还是可以理解为装回去背包中）
         {
            item[i] = 1;
            findWhat(i - 1, j - w[i]);
        }
    }
}