01背包问题

题目

有$N$件物品和一个容量为$V$的背包。第i件物品的体积是$c[i]$，价值是$w[i]$。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大，求出最大价值总和（要区别背包刚好装满和背包可以不装满的两种不同情况下的求解）。

基本思路

这是最基础的背包问题，特点是：每种物品仅有一件，可以选择放或不放。

用子问题定义状态：即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。则其状态转移方程便是：
$f[i][v]=max(f[i-1][v],f[i-1][v-c[i]]+w[i])$。

这里的$f[i][v]$定义是选取i个物品其背包容量加起来恰好为v。

这个方程非常重要，基本上所有跟背包相关的问题的方程都是由它衍生出来的。所以有必要将它详细解释一下：“将前i件物品放入容量为v的背包中”这个子问题，若只考虑第i件物品的策略（放或不放），那么就可以转化为一个只牵扯前i-1件物品的问题。

• 如果不放第i件物品，那么问题就转化为“前i-1件物品放入容量为v的背包中”；
• 如果放第i件物品，那么问题就转化为“前i-1件物品放入剩下的容量为$v-c[i]$的背包中”，此时能获得的最大价值就是$f[i-1][v-c[i]]$再加上通过放入第i件物品获得的价值$w[i]$，即$f[i][v]=f[i-1][v-c[i]]+w[i]$。

初始值问题

1.要求背包刚好装满时的最大总价值时，此时参照状态转移方程的定义，从初始化的条件改变入手即可。

因为要求为背包恰好装满的情况下，所以初始为0时，即有0个物品被选时，只有$f[0][0]=0$有意义，而$f[0][1]$，$f[0][2]$，$f[0][3]$…均无意义。因为题目要求的是恰好装满，所以在初始为0即没有选任何物品时，$f[0][1]$，$f[0][2]$，$f[0][3]$…这些状态是不应该存在的，因为$f[0][1]$的定义为选取0个物品时，其背包容量加起来正好是1，同理，$f[0][2]$的定义为选取0个物品时，其背包容量加起来正好是2…而这些都是不可能的，因为选择0个物品时，在$f[i][v]$的定义下，初始值除了$f[0][0]$有意义外，$f[0][1]$，$f[0][2]$，$f[0][3]$…这些状态均无意义。
所以在要求背包刚好装满时的最大总价值时，初始设置应为$f[0][0]=0$，$f[0][1]=f[0][2]=f[0][3]...f[0][v]=-INF$。

2.要求背包允许不刚好装满时的最大总价值时，此时参照状态转移方程的定义，也可从初始化的条件改变入手。

因为在得到最大总价值时，背包可以不装满，则初始未选物品即0个物品被选时，除了$f[0][0]$有意义，$f[0][1]$，$f[0][2]$，$f[0][3]$…均有意义，因为虽然$f[0][1]$的定义为选取0个物品时，其背包容量加起来正好是1，但由于此时背包可以不要求恰好装满等于1即可以少于1，即$f[0][1]$，$f[0][2]$，$f[0][3]$…$f[0][v]$的存在是有意义的。所以除了设置$f[0][0]=0$外，初始化时还需$f[0][1]=f[0][2]=f[0][3]...f[0][v]=0$。

假设有一个体积为10的背包，物品的体积分别为4、5、6，对应的价值为10,17,16 。

由上图可知，

• 若要求在背包v恰好装满时能达到的最大总价值，
  则只有$f[0][0]+10$ $\to$ $f[1][4]$ $\to$ $f[2][4]+16$ $\to$$f[3][10]$这样的一条路，但此时并不是最大总价值，只是说在满足背包恰好刚装满条件下所得的最大总价值。
• 若求背包v可以不恰好装满时能达到的最大总价值，
  则可选择$f[0][1]+10$ $\to$ $f[1][5]+17$ $\to$ $f[2][10]$ $\to$$f[3,10]$这样的一条路，此时是最大总价值。

结果枚举问题

由上图分析可知，无论在要求恰好装满或者不要求恰好装满的条件下，最终得到的结果均不需要枚举，即cout<<$f[N][V]$<<endl; 即可。

#include<iostream>
using namespace std;
#include<algorithm>

// 注意，若在函数内部则初始化是随机的，在全局上定义时默认初始化为 0
// 所以这里无需 c[105] = {0}...
int c[105], w[105];
int dp[105][1005];


int main(){

    int v, n;
    cin >> v >> n;
    for (int i = 1; i <= n; i++)
        cin >> c[i] >> w[i];
    for (int i = 1; i <= n; i++)
        for (int j = v; j >= 0; j--) {// 二维数组时，j使用顺序或逆序均可以
        	if(j >= c[i])
          		dp[i][j] = max(dp[i-1][j - c[i]] + w[i], dp[i-1][j]);
          	else
          		dp[i][j] = dp[i-1][j];
    }
    cout << dp[n][v] << endl;
    return 0;
}
/*
注意：
当设置为二维数组时，这里的第三个for循环不可写成
for(int i = 1; i <= n; i++)
	for(int j = v; j >= c[i]; j--)
		dp[i][j] = max(dp[i-1][j-c[i]] + w[i], dp[i-1][j]);

	因为若改成如上形式，
	则当j<c[i]时，dp[i][j]的内容得不到上一次dp[i-1][j]的更新；
	
但是在改为一维数组时，可以改成
for(int i = 1; i <= n; i++)
	for(int j = v; j >= c[i]; j--)
		dp[j] = max(dp[j-c[i]] + w[i], dp[j]);
	因为一维数组时，
	当则当j<c[i]时，dp[j]的内容默认为上一次状态的数组dp[j]保持不变。
*/

优化空间复杂度（使用一维数组）

以上方法的时间和空间复杂度均为O(N*V)，其中时间复杂度基本已经不能再优化了，但空间复杂度却可以优化到O(V)。

$f[v]=max(f[v],f[v-c[i]]+w[i])$恰就相当于我们的转移方程$f[i][v]=max(f[i-1][v],f[i-1][v-c[i]]+w[i])$，
因为现在的$f[v-c[i]]$就相当于原来的$f[i-1][v-c[i]]$。

• 而一维数组时，j如果使用顺序即从小到大求，则因为后面的$f[k]$使用到了前面的$f[k-c[i]]$可能已经被更新了，则相当于$f[i][k]$由$f[i][k-c[i]]$更新，显然不对。
  ”由于v是从小到大，在求等式左边的f[v]前,某个$f[k](k<v)$就改了值了，而在求$f[v]$时，这个$v-c[i]$可能又等于k，而这个k值之前被改过，即$f[k]$已不是$i-1$时刻的值，而是i时刻的值，但我们现在需要的是i-1时刻的值来求出i时刻的值，所以通过$f[v-c[i]]$求出的$f[v]$值就是错误的值，与本题意不符合。“

• 而逆序时，j是从v大到小，$f[v-c[i]]$中的$v-c[i]$在此时肯定没变，因为是从后面往前面更新的，即$f[v-c[i]]$的更新也是排在$f[v]$更新之后才进行更新的。

#include<iostream>
using namespace std;
#include<algorithm>

// 注意，若在函数内部则初始化是随机的，在全局上定义时默认初始化为 0
// 所以这里无需 c[105] = {0}...
int c[105], w[105];
int dp[1005];


int main(){

    int v, n;
    cin >> v >> n;
    for (int i = 1; i <= n; i++)
        cin >> c[i] >> w[i];
    for (int i = 1; i <= n; i++)
        for (int j = v; j >= c[i]; j--) 
          	dp[j] = max(dp[j - c[i]] + w[i], dp[j]);
    cout << dp[v] << endl;
    return 0;
}
/*
注意：
一维数组时，可以改成
for(int i = 1; i <= n; i++)
	for(int j = v; j >= c[i]; j--)
		dp[j] = max(dp[j-c[i]] + w[i], dp[j]);
	因为一维数组时，
	当则当j<c[i]时，dp[j]的内容默认为上一次状态的数组dp[j]不需要赋值改变。
*/

链接：

acwing讲解

01背包的两种初始化问题

dd_engi的背包九讲

背包九讲-整合版