0-1背包和完全背包问题

0-1背包

0-1背包是一个组合优化问题，在这个问题中，给定一组物品，每个物品都有一个重量和一个价值，在不超过背包重量限制的前提下，选择一些物品放入背包，以使得背包中物品的总价值最大，0-1背包问题中每个物品只能选取一次。
所以它的定义如下：

• 有n个物品，每个物品i有重量w[i]和价值v[i]。
• 一个背包能承受的最大重量为W。
• 每个物品只能选择放入背包或不放入背包（01选择）。
• 目标是选择物品，使得背包中物品的总价值最大，且总重量不超过W。

我们用动态规划来解决这个问题，其步骤为：

1. 定义状态：定义dp[i][j]为在考虑前i个物品，且背包容量为j时所能获得的最大价值。
2. 状态转移方程：

• 如果不选择第i个物品，则dp[i][j] = dp[i-1][j]。
• 如果选择第i个物品（前提是j >= w[i]），则dp[i][j] = dp[i-1][j-w[i]] + v[i]。

3. 初始化：dp[0][j] = 0，没有物品时，任何容量下的价值都是0.
4. 计算顺序：按照物品的顺序和背包容量的增加顺序，更新dp数组。
5. 最终结果，dp[n][W]即为最终的最大价值，其中n是物品的总数，W是背包的最大容量。

代码如下：

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

// 函数用于解决01背包问题
int knapsack01(int W, int n, vector<int>& weights, vector<int>& values) {
    vector<vector<int>> dp(n + 1, vector<int>(W + 1, 0));

    // i索引是考虑到第几个物品了，j是背包的容量，用来便于动态规划，这里默认进行了初始化，因为物品是1~n，索引0对应的值默认为0
    for (int i = 1; i <= n; i++) {
        for (int j = 1; j <= W; j++) {
            if (weights[i - 1] <= j) {
                // 可以选择不放入第i个物品，或者放入第i个物品，这里j-weights[i-1]是当前容量减去第i个物品的重量剩下的容量，用来考虑装其他物品
                dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weights[i - 1]] + values[i - 1]);
            } else {
                // 如果物品重量大于背包容量，则不能放入背包
                dp[i][j] = dp[i - 1][j];
            }
        }
    }

    return dp[n][W];
}

int main() {
    int W = 7; // 背包最大重量
    int n = 4; // 物品数量
    vector<int> weights = {2, 3, 4, 5}; // 物品重量
    vector<int> values = {3, 4, 5, 7}; // 物品价值

    cout << "The maximum value of items that can be carried in the knapsack is: "
         << knapsack01(W, n, weights, values) << endl;

    return 0;
}

完全背包

完全背包与01背包问题的主要区别在于，完全背包问题中的每种物品可以无限制地选取多次，而01背包问题中每种物品只能选取一次。
所以它的定义如下：

• 有n种物品，每种物品i有一个重量w[i]和一个价值v[i]。
• 一个背包可以承受的最大重量为W。
• 每种物品可以选取任意多次（与01背包问题不同）。
• 目标是选择物品的组合，使得总价值最大，同时不超过背包的最大承载重量。

我们用动态规划来解决这个问题，步骤为：

1. 定义状态：定义dp[j]为在不超过重量j的条件下，能够获得的最大价值。
2. 状态转移方程：对于每个物品i，状态转移方程可以表示为：dp[j] = max(dp[j], dp[j - w[i]] + v[i])。
3. 初始化：dp[0]初始化为0。
4. 计算顺序：按照背包容量的增加顺序，更新dp数组。
5. 最终结果：dp[W]即为不超过背包最大容量W时地最大价值。

代码如下：

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

// 函数用于解决完全背包问题
int completeKnapsack(int W, const vector<int>& weights, const vector<int>& values, int n) {
    vector<int> dp(W + 1, 0);

    for (int i = 1; i <= n; ++i) {
        for (int j = 0; j <= W; ++j) {
            if (j >= weights[i - 1]) {
                dp[j] = max(dp[j], dp[j - weights[i - 1]] + values[i - 1]);
            }
        }
    }

    return dp[W];
}

int main() {
    int W = 10; // 背包最大重量
    int n = 4; // 物品数量
    vector<int> weights = {2, 3, 4, 5}; // 物品重量
    vector<int> values = {3, 4, 5, 6}; // 物品价值

    cout << "The maximum value of items that can be carried in the knapsack is: "
         << completeKnapsack(W, weights, values, n) << endl;

    return 0;
}

这里我们的外层循环虽然仍是按物品顺序来的，但是动态规划中每个物品是独立的，即选择放入或者不放入第i种物品不会影响其他物品的选择，对于每种物品（i循环），我们检查当前背包容量（j循环）是否足以容纳至少一个该物品。如果是，更新动态规划表dp[j]。