动态规划的经典问题————背包问题（二）

完全背包

完全背包是01背包的进阶版。
题目是一个体积为V的背包，要装N种物品，每种物品有体积c,价值w两种属性, 要求装入物品总价值最大，与01背包唯一不同的是：每种背包可以取任意数量。

同样，用i表示第i个物品，这个物品的体积为$c_i$，价值为$w_i$，j表示当前已装入背包的物品总体积，$dp[j]$表示背包已装物品总体积为j时的物品价值（不确定是否遍历完全部物品）。

这类题目不能用贪心算法的原因是，并不是价值越高的物品越多越好，必须还要考虑体积因素。

我们来分析一下，虽然每种物品可以取任意数量，但是背包总体积是固定的，体积为$c_i$的物品最多装$\frac{V}{c_i}$个，那么将其视为$\frac{V}{c_i}$个体积均为$c_i$，价值均为$w_i$的不同种物品，就可以转化到01背包的问题上来，这种思路和下面多重背包的解法是一致的，与01背包的区别无非是保存物品属性list数组从n个变成了$\sum _{i = 0} ^ {n}\frac{V}{c_i}$个。

我们有一种更好的解法，其时间复杂度达到了$O(n*s)$：在01背包的一维数组解法中，我们是这样写的：

    for(int i = 0; i < n; ++i)
        for(int j = V; j >= list[i].c; --j)
            dp[j] = max{dp[j-list[i].c]+list[i].w, dp[j]}; 

即逆序遍历，这是因为任意一件物品仅有放入或者不放入两种结果，我们在讨论是否放入第i个物品时，依据的是是否放入第i-1个物品的结果，第i个物品必须是还没有讨论过的，比如，已经放进去了，就不可能再放一遍。但是我们反过来想，如果当前我们在讨论是否放入第i个物品的时候，第i个物品已经被讨论过了，那不就是意味着第i个物品不仅有放入或者不放入的结果，还有放入1件、放入2件、…、放入$\frac{V}{c_i}$件的结果。

因此，我们只要将01背包遍历顺序改为正序遍历，就变成了完全背包的解法

    for(int i = 0; i < n; ++i)
        for(int j = list[i].c; j <= V; ++j)
            dp[j] = max{dp[j-list[i].c]+list[i].w, dp[j]}; 

一个简单的优化做法是，当$c_i <= c_j，w_i >= w_j$，那么物品j就不要考虑了，因为不论什么情况，取物品i都比取物品j好。

---

多重背包

一个体积为V的背包，要装N种物品，每种物品有数量k，体积c,价值w三种属性, 要求装入物品总价值最大。

与完全背包想比，多重背包就是限制了数量。上文讨论完全背包时也提到过，把$k_i$件物品i，看成$k_i$件体积均为$c_i$，价值均为$w_i$的不同种物品，就可以转化到01背包上去。

n个物品变成了$\sum _{i = 0} ^{n}k_i$个物品，算法的时间复杂度变为$O(S*\sum _{i = 0} ^{n}k_i)$。可以看出，$\sum _{i = 0} ^{n}k_i$越大，算法的时间复杂度越高，我们要想办法压缩这个数量。4个体积为$c_i$，价值均为$w_i$的物品x，可以看成一个体积为$4*c_i$，价值为$4*w_i$的物品y，这样的做法虽然压缩了数量，但是不一定得到最优解，比如原解法中，物品x放入2件的时候才有最优解，这里我们却提供不了2个物品x（已经合并成物品y）。

常用的压缩数量的做法是，用二进制分解k（物品的数量）将其分为若干组，每组视为一个新物品，其每组物品包含的个数是：$1, 2, 4,...,k − 2^c + 1$，且 k 是满足$k− 2^c + 1 > 0`$的最大整数。这样的好处是，任意一种小于等于k的取法，都可以通过这些新物品的组合得到，所以既压缩了数量，又能得到最优解

参考资料：

• 王道机试指南；