动态规划 解决01、完全背包问题

前言：
这篇博客是作者参考了网上各种资料，根据自己的理解与需要，重新编排起来的。如果有错误，请在评论区中指出，谢谢！

---

问题简述

共同点：有N种物品和一个容量为V的背包，第i种物品的费用是c[i]，价值是w[i]。问：怎么装可以在 不超过背包容量 的前提下，使得 总价值 达到最大。
区别
01背包问题：每样物品 非0即1（要么不取，要么取1个）
完全背包问题：每样物品没有数量限制

动态规划的思想与特性

记忆化思想：
对较小的子问题进行一次求解，并把结果记录下来，然后利用较小问题的解，求解出较大问题的解，直到求解出最大问题的解。（同一件事不做第二次，避免重复计算）
能够使用动态规划的问题的特性：
1、一个大问题可以划分为若干个子问题
子问题：性质一样，规模更小（最优子结构）
2、在计算时，子问题有交叠（交叠子结构）

---

正文

为了更好理解和对比两个问题，这里将两个问题放在同一个背景下，分别进行分析。

dp[i][j] 表示 : 用容量为 j 的背包去放前 i 个物品时得到的最大价值
w(i) 表示 : 第 i 个物品的重量
v(i) 表示 : 第 i 个物品的价值

将采用如下数据进行分析

一、01背包问题

状态转移方程：

状态转移方程的文字解释

对于①：当背包不可能装下第 i 个物品的时候，最大价值应由前 i-1 个物品组成 即dp[i][j] = dp[i-1][j]
对于②：当背包装得下第 i 个物品时，就该考虑装不装第 i 个物品。
（装不一定比不装价值更大，如：取i=2, j=2, 设物品1 重1 价值10，设物品2 重2 价值5，显然 dp[1][2] ＞dp[1][2-2] + 5 即10>5）

主要代码

PS:之前看到一篇博客认为①可省。但是我通过实践后，认为不可省，实践结果如下：
不省略①时

for(int i=1; i<=N; i++)