最通俗易懂的01背包问题讲解

本文链接：https://blog.csdn.net/FX677588/article/details/68951593

1、动态规划（DP）

　　动态规划（Dynamic Programming，DP）与分治区别在于划分的子问题是有重叠的，解过程中对于重叠的部分只要求解一次，记录下结果，其他子问题直接使用即可，减少了重复计算过程。
　　另外，DP在求解一个问题最优解的时候，不是固定的计算合并某些子问题的解，而是根据各子问题的解的情况选择其中最优的。
　　动态规划求解具有以下的性质：
　　最优子结构性质、子问题重叠性质　　
　　最优子结构性质：最优解包含了其子问题的最优解，不是合并所有子问题的解，而是找最优的一条解线路，选择部分子最优解来达到最终的最优解。
　　子问题重叠性质：先计算子问题的解，再由子问题的解去构造问题的解（由于子问题存在重叠，把子问题解记录下来为下一步使用，这样就直接可以从备忘录中读取）。其中备忘录中先记录初始状态。

2、求解思路

　　①、将原问题分解为子问题（子问题和原问题形式相同，且子问题解求出就会被保存）；
　　②、确定状态：01背包中一个状态就是 $N$ 个物体中第 $i$ 个是否放入体积为 $V$ 背包中；
　　③、确定一些初始状态（边界状态）的值；
　　④、确定状态转移方程，如何从一个或多个已知状态求出另一个未知状态的值。（递推型）

3、01背包问题求解思路

　　①、确认子问题和状态
　　01背包问题需要求解的就是，为了体积V的背包中物体总价值最大化， $N$ 件物品中第 $i$ 件应该放入背包中吗？（其中每个物品最多只能放一件）
　　为此，我们定义一个二维数组，其中每个元素代表一个状态，即前 $i$ 个物体中若干个放入体积为 $V$ 背包中最大价值。数组为： $f[N][V]$ ，其中 $f_{ij}$ 表示前 $i$ 件中若干个物品放入体积为 $j$ 的背包中的最大价值。
　　②、初始状态
　　初始状态为 $f[0][0-V]$ 和 $f[0-N][0]$ 都为0，前者表示前0个物品（也就是空物品）无论装入多大的包中总价值都为0，后者表示体积为0的背包啥价值的物品都装不进去。
　　③、转移函数

if (背包体积j小于物品i的体积)
    f[i][j] = f[i-1][j] //背包装不下第i个物体，目前只能靠前i-1个物体装包
else
    f[i][j] = max(f[i-1][j], f[i-1][j-Vi] + Wi)

　　最后一句的意思就是根据“为了体积V的背包中物体总价值最大化， $N$ 件物品中第 $i$ 件应该放入背包中吗？”转化而来的。 $V_i$ 表示第 $i$ 件物体的体积， $W_i$ 表示第 i <script type="math/tex" id="MathJax-Element-19">i</script>件物品的价值。这样f[i-1][j]代表的就是不将这件物品放入背包，而f[i-1][j-Vi] + Wi则是代表将第i件放入背包之后的总价值，比较两者的价值，得出最大的价值存入现在的背包之中。

4、程序

#include<iostream>
using namespace std;

int main()
{
    int nArr[6][13] = {{0}};
    int nCost[6] = {0 , 2 , 5 , 3 , 10 , 4};  //花费
    int nVol[6]   = {0 , 1 , 3 , 2 , 6 , 2}; //物体体积
    int bagV = 12;

    for( int i = 1; i< sizeof(nCost)/sizeof(int); i++)
    {
        for( int j = 1; j<=bagV; j++)
        {
            if(j<nVol[i])
                nArr[i][j] = nArr[i-1][j];
            else
                nArr[i][j] = max(nArr[i-1][j] , nArr[i-1][j-nVol[i]] + nCost[i]);       
            cout<<nArr[i][j]<<' ';
        }   
        cout<<endl;
    }
    cout<<nArr[5][12]<<endl;

    return 0;
}