动态规划基础——0/1背包问题

0/1背包问题的描述

这种背包问题是最基础的一类背包问题。只要掌握的这种，后面的也就是大同小异了。因此，我在这个问题上将讲得非常详细。
0/1背包问题就是存在一个背包有着固定的容积M，物品有自己的质量w和价值c，当然，每一个物品都只有一件，而且不可拆分。你的任务是：把这些东西装入这个背包，使装入物品的价值最大。
首先，贪心算法只有在物品可分的时候才会生效（求性价比），搜索这个指数级的复杂度不解释！
所以我们选择动态规划。

0/1背包问题的代码和样例输入输出

先上代码

#include<iostream>
#include<algorithm>
using namespace std;
const int maxm=1005;
int M,n,f[maxm];
int w[maxm],c[maxm];
int main(){
	cin>>M>>n;
	for(int i=1;i<=n;i++) cin>>w[i]>>c[i];
	for(int i=1;i<=n;i++){  //第一层for循环
		for(int j=M;j>=w[i];j--){  //第二层for循环
			f[j]=max(f[j],f[j-w[i]]+c[i]);
		}
	}
	cout<<f[M]<<endl;
	return 0;
} 

样例输入	样例输出
10 4	12
2 1
3 3
4 5
7 9

0/1背包问题详解

上诉代码的第一层for循环的目的是控制本次选择的物品，第二层循环在于选择当前物品时，在背包体积为j时的最大体积。f[n]表示的就是在背包体积为n时可以装下的最大价值。这道题难在这个状态转移方程： f [ j ] = m a x ( f [ j ] , f [ j - w [ i ] ] + c [ i ] ) ——这是什么鬼？i这个变量就相当于是被选择的这个物品的编号，比如 w [ i ] 就是第 i 个物品的重量。
我们从背包体积为10开始装入物品，因为你会发现如果从小体积往大体积装载，大体积就会受到小体积 f 的影响，因为大的总是拿小的更新自己的 f 值。如果无法理解这句话，就请看模拟吧！
首先我们根据输入，填入数据。没错的话是酱紫：

然后进入第一层for循环，选择了第一个物品。
我们从第十个开始，也就是 f [ 1 0 ] 开始，填入的数据就是 1 ，因为我们执行了这句话f [ 10 ] = m a x ( f [ 10 ] , f [ 10 - w [ 1 ] ] + c [ 1 ] ) ，这句话的实际意思是：我们要不要拿这个物品，拿了会不会增加背包体积为10的时候的最大价值，所以我们尝试着询问到背包体积为8时候的最大价值，为什么不选更小的呢？1号物品的体积刚好是2，所以10减去2空出来的8的体积才有可能是装下的最大价值。试想，假若现在有一个物品的质量是1，然后你却询问7的，那这个质量为1的岂不是没装上去你就算了10的体积，等于我们浪费了一个体积！而且，你没事情把他取小掉干什么？我们正需要大量的体积来装更多的物品提升总价值啊！！！
总之，我们去询问体积为8的最大价值，其实就是假设我们选了1号物品的意思，所以我们自然也要在后面加上1号物品的价值。然后跟原来的体积为10的比较。谁大就取谁。然后发现f [ 10 - w [ 1 ] ] + c [ 1 ] 是1，f [ 10 ] 是0，取前者。如图：

然后 j = 9 了，然后发现f [ 9 - w [ 1 ] ] + c [ 1 ] 是1，f [ 9 ] 是0，取前者。,选取第一个物品走完一轮后，就都是1了。如下图：

你会问，为什么第一个这么孤单只有0呢？因为，第一个体积只有1，比物品本身还要小，所以我们就不循环啦！反正都是装不下的。不信你看看第二层循环就是这么写的：f o r ( i n t j = M ; j > = w [ i ] ; j - - )
接下来第二轮，我们选取了第二个物品啦。还是 j = M 开始循环，我们现在背包体积为10的时候，可以装下最大价值为1，然而，经过这一步的时候（ f [ j ] = m a x ( f [ j ] , f [ j - w [ i ] ] + c [ i ] )），我们发现多了一个物品，那10的体积还可以继续装吧！
所以我们的f [ 10 ] = m a x ( f [ 10 ] , f [ 10 - w [ 2 ] ] + c [ 2 ] )这一步， f [ 10 - w [ 2 ] ] + c [ 2 ] 就是询问：假如我拿了2号物品，背包体积为10的时候最大价值会增加吗？所以假设我们装了，那剩余体积就是10 - w [ 2 ]没错吧，然后我们看看当前状态下最大可以装多少：那就是f [ 10 - w [ 2 ] ] 没错吧。但是你总不能占了我体积又没有价值吧，所以顺理成章把价值也给带上，那就是 f [ 10 - w [ 2 ] ] + c [ 2 ] ，然后跟原来的f [ 10 ]做一个比较。发现，我们假设的东西好像还大一点，那就把f [ 10 ]换成我们假设的吧！欢乐~
于是f [ 10 ]就愉快地更新了。

这样不断更新下去，第二轮完毕以后就是酱紫：

然后是第三轮完毕以后的效果：

第四轮，也就是最后一轮结束后的效果：

至此，动态规划结束。直接输出 f [ 1 0 ] 即可。