[算法][动态规划][背包问题①]0-1背包问题的优化及约束变形[python实现]

---

写在前面

• 这是我对动态规划一些入门题的笔记，主要便于随时随地的回顾这些基础内容。
• 基本都是些简单题目，因为复杂的题目代码太长，不便于作为笔记进行重温。
• 前续：[算法][动态规划]动态转移过程与Python实现小样两例(切绳子与跳台阶)
• 背包问题讲义

如果无法访问码云的代码库，请访问此处：本文源码@Gist

---

题目描述

有一个重量上限容量为 $total$ 的背包和 $item\_num$ 种物品，第 $i$ 种物品的重量是 $w_i$ 、价值为 $v_i$ ，求问选择将哪些物品放入背包(每种物品的数量有且只有一件)可以得到最大的价值。

问题求解

1.1 动态过程

动态规划的精髓在于拆解大问题为子问题。我们给定一种数据结构dp[item_num][total]，其中,dp[i][j]表示第i+1次尝试把物品i放入背包后，背包剩余容量为j，此时背包中的物品总价值为dp[i][j]。

Tip:物品的序数从0计起，放入背包的动作过程从第1次计起。

由于每次尝试把物品放入背包的过程是一个动态过程，其动态转移方程为:
d p [ i + 1 ] [ j ] = m a x { d p [ i ] [ j − w i ] + v i , d p [ i ] [ j ] } dp[i+1][j]=max\{dp[i][j-w_i]+v_i,dp[i][j]\} dp[i+1][j]=max{ dp[i][j−wi​]+vi​,dp[i][j]}显然i是主要的状态转移量：

for i in range(item_num):  # 第i+1次尝试放入第i个物品(物品序号从0起||显然，尝试次数从1起,即i+1)
    # 以下是动态转移过程
    for j in range(total, -1, -1):  # 倒序遍历背包剩余容量，即 for(inr j = total; j>=0; j--)
        dp[i+1][j] = max(dp[i][j-w[i]]+v[i],dp[i][j]) if j >= w[i] else dp[i][j]
        # 等价于:
        # if j >= w[i] and dp[i][j-w[i]] + v[i] > dp[i][j]:  # 第[i+1]次尝试放入时选择放入第[i]个物品
        #     dp[i+1][j] = dp[i][j-w[i]] + v[i]  # 更新第i+1次尝试放入的推测值(物品总价值)
        # else:  # 跳过物品，不考虑放入该物品，拷贝"前[i]次尝试放入"的堆栈数据到[i+1]上
        #     dp[i+1][j] = dp[i][j]

即，第i+1次考虑要不要把第i个物品放入背包(0-1问题中恰好$n$个物品最多只考虑$n$次"放不放"的问题)，知道它的重量 $w_i$ 和价值 $v_i$，当dp[i][j-w[i]] + v[i] > dp[i][j]，即前一次(dp[i][~])考虑时，没有放入$w_i$重量的