动态规划(Dynamic Programming) 背包问题初探

引例：
如何计算斐波那契数列？

• 递归
• 记忆化搜索
• 动态规划（递推）
  动态规划：避免无用的重复计算，提高处理的效率。
  将一个问题拆成几个子问题，分别求解这些子问题，即可推断出大问题的解。当子问题具有重叠性时 (同一个子问题多次出现)，相比于搜索 (递归)，利用 dp 就可以避免重复计算，节省时间。
• 适用条件
  最优子结构：大问题的最优解可以由小问题的最优解推得。
  无后效性：当前问题的解只与已求得问题 (过去) 的解有关，而与未求得的问题 (未来) 的解无关。

解决方法：

• 确定状态
  状态是比较抽象的，如何正确的定义状态需要多做题，不同类型
  的 dp 有各自的套路。
• 确定转移方程
  当前状态可以影响后续的哪些状态or当前状态可以被之前的哪些状态影响。

最为经典的背包DP

• 01 问题详情
  有 n 种物品和一个容量为 m 的背包。每种物品只有一件。第 i种物品的大小是 wi，价值是 vi，求如何使装入背包中物品的价值最大？
  B站视频讲解
  这个极其清楚
• 02 解题思路
  确定状态：f[i][j]：只选择前 i 种物品，大小总和为 j 时的最大价值。
  转移方程：
  f[i][j] = max(f[i − 1][j], f[i − 1][j − w[i]] + v[i])
  参数解释：f[i − 1][j] 不装第i件物品的价值。
  f[i − 1][j − w[i]] + v[i] 装了第i件物品（价值增加，容量减少）
  注意：应该是先从第1件物品向下推。
  
  示例代码：

#include <iostream>
//Use C to make a knapsack
#define N 6
#define W 21
int B[N][W]={0};
int w[6]={0,2,3,4,5,9};
int v[6]={0,3,4,5,8,10};
//w:容量
//v:对应的价值
//数组0的地方不用方便读取
using namespace std;
void knapsack(){
    int k,C;
    //c是当前剩余容量
    //k是前多少件物品的最大价值
    //当然是从第一件物品往里面放的话更顺一点
    for (k = 1; k < N; ++k) {
        for (C = 1; C < W; ++C) {
            if(w[k]>C){
                //如果当前背包放不进去，那这件物品就不放进去了
                B[k][C]=B[k-1][C];
            } else{
                int value1=B[k-1][C-w[k]]+v[k];
                //是买第K件商品，然后剩下的空间去买k前面的商品的总价值高
                int value2=B[k-1][C];
                //还是不买第k件商品的总价值高
                //这个相当于不放第K件商品进去
                //比较哪个最大价值更大
                if(value1>value2){
                    B[k][C] = value1;
                }else{
                    B[k][C] = value2;
                }
            }
        }
    }
}
int main() {
    knapsack();
    cout<<B[5][20]<<endl;
    return 0;
}

多重背包 （每个物品有k件）

完全背包（物品变成了无数件）
转移方程

由于背包容量有限，每种物品选取的个数是有限的，所以可以转化为多重背包。
完全背包的最暴力代码：

同理，多重背包的第三次循环判断条件不是容量，是在满足容量要求的同时，满足数量的要求。改变第三次循环的条件即可：

需要注意的是，以上代码并没有进行优化，均为背包问题的最简单解法，常用的优化方法如下：

01背包	多重背包	完全背包
滚动数组、一维数组	滚动数组、一维数组，二进制优化	一维数组

多重背包和完全背包参考：
cqh小蒟蒻 背包讲解
背包九讲貌似是一个很不错的资料，可以看看。