重温算法Day20:动态规划

背包问题
对于一组不同重量、不可分割的物品，我们需要选择一些装入背包，在满足背包最大重量限制的前提下，背包中物品总重量的最大值。

把整个求解过程分为 n 个阶段，每个阶段会决策一个物品是否放到背包中。
每个物品决策（放入或者不放入背包）完之后，背包中的物品的重量会有多种情况，也就是说，会达到多种不同的状态，对应到递归树中，就是有很多不同的节点。

我们把每一层重复的状态（节点）合并，只记录不同的状态，然后基于上一层的状态集合，来推导下一层的状态集合。
我们可以通过合并每一层重复的状态，这样就保证每一层不同状态的个数都不会超过 w 个（w 表示背包的承载重量）。

用一个二维数组 states[n][w+1]，来记录每层可以达到的不同状态。

第 0 个（下标从 0 开始编号）物品的重量是 2，要么装入背包，要么不装入背包，决策完之后，会对应背包的两种状态，背包中物品的总重量是 0 或者 2。我们用 states[0][0]=true 和 states[0][2]=true 来表示这两种状态。
第 1 个物品的重量也是 2，基于之前的背包状态，在这个物品决策完之后，不同的状态有 3 个，背包中物品总重量分别是 0(0+0)，2(0+2 or 2+0)，4(2+2)。
我们用 states[1][0]=true，states[1][2]=true，states[1][4]=true 来表示这三种状态。
以此类推，直到考察完所有的物品后，整个 states 状态数组就都计算好了。我们只需要在最后一层，找一个值为 true 的最接近 w（这里是 9）的值，就是背包中物品总重量的最大值。

weight:物品重量，n:物品个数，w:背包可承载重量

func knapsack(weight []int, n int, w int) int{
  var [][]states bool      // 默认值false
  states[0][0] = true  // 第一行的数据要特殊处理，可以利用哨兵优化
  if weight[0] <= w {
    states[0][weight[0]] = true
  }
  for i := 1; i < n; i++ {     // 动态规划状态转移
    for j := 0; j <= w; j++ {// 不把第i个物品放入背包
      if states[i-1][j] == true{
        states[i][j] = states[i-1][j]
      } 
    }
    for j := 0; j <= w-weight[i]; ++j {//把第i个物品放入背包
      if states[i-1][j]==true{
        states[i][j+weight[i]] = true
      } 
    }
  }
  for i := w; i >= 0; i-- { // 输出结果
    if states[n-1][i] == true {
        return i
    } 
  }
  return 0
}

这就是一种用动态规划解决问题的思路。我们把问题分解为多个阶段，每个阶段对应一个决策。我们记录每一个阶段可达的状态集合（去掉重复的），然后通过当前阶段的状态集合，来推导下一个阶段的状态集合，动态地往前推进。

尽管动态规划的执行效率比较高，但是就刚刚的代码实现来说，我们需要额外申请一个 n 乘以 w+1 的二维数组，对空间的消耗比较多，是一种空间换时间的思路。