完全背包

完全背包必看  https://blog.csdn.net/lee371042/article/details/79235538

                      https://www.cnblogs.com/Kalix/p/7622102.html

 

和01背包不同就在红色处

01背包每次都是与前一个状态相比较  即优化版本需 逆序循环

完全背包每次都与当前背包比较  即优化版本需 正序循环

核心代码如下：

for (int i = 1; i < n; i++){

   for (int j = 1; j <= v; j++){

       for (int k = 0; k*c[i] <= j; k++){

　　  if(c[i]<=j)/*如果能放下*/

　　  f[i][j] = max{f[i][j],f[i-1][j - k * c[i]] + k * w[i]};/*表示前i-1种物品中选取若干件物品放入剩余空间为j-k*w[i]的背包中所能得到的最大价值加上k件第i种物品的总价值*/

　 　else/放不下的话*/ 　　 f[i][j]=f[i-1][j]/*继承前i-1个物品在当前空间大小时的价值*/

      }

   }

}

优化如下：转载自 https://blog.csdn.net/ppp_1026hc/article/details/52138025?utm_source=blogxgwz0

一个简单有效的优化
完全背包问题有一个很简单有效的优化，是这样的：若两件物品i、j满足c[i]<=c[j]且w[i]>=w[j]，则将物品j去掉，不用考虑。这个优化的正确性显然：任何情况下都可将价值小费用高得j换成物美价廉的i，得到至少不会更差的方案。对于随机生成的数据，这个方法往往会大大减少物品的件数，从而加快速度。然而这个并不能改善最坏情况的复杂度，因为有可能特别设计的数据可以一件物品也去不掉。

转化为01背包问题求解
既然01背包问题是最基本的背包问题，那么我们可以考虑把完全背包问题转化为01背包问题来解。最简单的想法是，考虑到第i种物品最多选V/c [i]件，于是可以把第i种物品转化为V/c[i]件费用及价值均不变的物品，然后求解这个01背包问题。这样完全没有改进基本思路的时间复杂度，但这毕竟给了我们将完全背包问题转化为01背包问题的思路：将一种物品拆成多件物品。

更高效的转化方法是：把第i种物品拆成费用为c[i]*2^k、价值为w[i]*2^k的若干件物品，其中k满足c[i]*2^k<V。这是二进制的思想，因为不管最优策略选几件第i种物品，总可以表示成若干个2^k件物品的和。这样把每种物品拆成O(log(V/c[i]))件物品，是一个很大的改进。 但我们有更优的O(VN)的算法。 * O(VN)的算法 这个算法使用一维数组，先看伪代码：

for i=1..N

for v=0..V

f[v]=max{f[v],f[v-c[i]]+w[i]};

你会发现，这个伪代码与01背包的伪代码只有v的循环次序不同而已。为什么这样一改就可行呢？首先想想为什么01背包中要按照v=V..0的逆序来循环。这是因为要保证第i次循环中的状态f[i][v]是由状态f[i-1][v-c[i]]递推而来。换句话说，这正是为了保证每件物品只选一次，保证在考虑“选入第i件物品”这件策略时，依据的是一个绝无已经选入第i件物品的子结果f[i-1][v-c[i]]。而现在完全背包的特点恰是每种物品可选无限件，所以在考虑“加选一件第i种物品”这种策略时，却正需要一个可能已选入第i种物品的子结果f[i][v-c[i]]，所以就可以并且必须采用v= 0..V的顺序循环。这就是这个简单的程序为何成立的道理

 

tips：

注意边界

求最大值，dp数组除dp[0]=0外初始化为无穷小  最后特判if (dp[v]>0)

求最小值，dp数组除dp[0]=0外初始化为无穷大  最后特判if (dp[v]!=Max)

PS:此时初始化不能用memset (dp,Min,sizeof(dp)) ！！！因为memset初始化只对0，-1有用