0-1背包
问题分析：
0-1背包问题，即每个物体只有2种状态（取与不取），正如二进制中的0和1，且一个物品只能取一次。
一般例题中，已知条件有第$i$个物品的重量 $w_i$ ,价值$v_i$,以及背包的总容量$W$，在最大容量内取最高价值的物品。
解决dp类型的问题，我们需要先写出其状态转移方程。
设状态$f_{i,j}$为只能放前$i$个物品时，容量为$j$的背包所能达到的最大总价值。
假设当前已处理好前$i-1$个物品时，那么对于第$i$个物品，我们有两种选择：将其放入背包，背包的剩余容量减少$w_i$，总价值增加$v_i$，即最大价值为$f_{i-1,j-w_i}+v_i$；不将其放入背包，背包的剩余容量和总价值皆不改变，即最大价值为$f_{i-1,j}$。
由此，可以得出状态转移方程：
$$f_{i,j} = max(f_{i,j},f_{i-1,j-w_i}+v_i)$$
我们发现，对于第$i$个物品，其只受到第$i-1$个物品影响， 所以我们可以降一个维度,直接用$f_j$表示处理当前物品$i$时背包容量为$j$的最大价值。
$$f_j = max(f_j,f_{j-w_i}+v_i)$$
注意：我们只处理物品重量和背包容量为整数时的问题！
代码实现
首先，创建一个长度为 $W+1$ 的列表 f[j] ，存储内容是背包容量为 $j$ 时的最大价值。 默认初始为0
dp板子一般都是双层循环，外层循环判断物品数，内层循环判断背包状态
遍历规则：每次取第 $i$ 个物品，然后更新背包容量为 $j$ 的最大价值，即 f[j] 的值。
n,m = map(int,input().split()) # n为物品数量，m为背包最大容量
inf = []
for i in range(n):
inf.append(list(map(int,input().split()))) # 存储每个物品的总量和价值
f = [0 for i in range(m+1)]
for i in range(n):
for j in range(m,inf[i][0]-1,-1): # 倒序枚举，一个物品只能放入一次
if f[j] < f[j-inf[i][0]] + inf[i][1]:
f[j] = f[j-inf[i][0]] + inf[i][1]
print(f[m])最后，f[m]存储的就是背包容量为$m$时物品价值的最大值。
完全背包
问题分析
完全背包与0-1背包问题基本相同，不同点在于完全背包问题的一个物品物品可以取多次。
设$f_{i,j}$为在只能取前 $i$ 个物品时，容量为 $j$ 的背包所能取的最大价值，即 $f[j]$ 的值。
我们先分析状态转移方程:
最暴力的做法：对于第 $i$ 个物品时，我们疯狂取直到背包上限，时间复杂度为 $O（n^3）$
$$ f_{i,j} = max(f_{i-1,j-w_i×k}+v_i×k) k∈（0，+∞）$$
优化算法:
$$ f_{i,j} = max(f_{i-1,j},f_{i,j-w_i}+v_i)$$
大家仔细想想，不难发现，$f_{i,j-w_i}$已经由$f_{i,j-{2×w_i}}$更新过，而$f_{i,j-{2×w_i}}$又被$f_{i,j-{3×w_i}}$更新过，即$f_{i,j-w_i}$是充分考虑了第 $i$ 个物品的所选次数。
代码实现
m,n = map(int,input().split())
inf = []
for i in range(n):
inf.append(list(map(int,input().split())))
f = [0 for i in range(m+1)]
for i in range(n):
for j in range(inf[i][0],m+1): #正序枚举，一个物品可以取多次
if f[j] < f[j-inf[i][0]] + inf[i][1]:
f[j] = f[j-inf[i][0]] + inf[i][1]
print(f[m])代码思路基本和0-1背包相同，唯一不同的地方是双层循环时，内层循环0-1背包是倒序，而完全背包是正序。
小洪助力：
学习完0-1背包和完全背包，相信大家对双层循环部分还是一知半解，我们用文字模拟一下遍历过程，有助于大家理解。
外层循环 $i$ 控制的是每次只能取前 $i$ 个物品所能达到不同容量 $j$ 时的最大价值，很明显，对于遍历容量 $j$ 时，我们只有当容量 $j$ 大于或等于第 $i$ 个物品的重量时，才有判断的意义。
因此，我们是从背包容量最大值 $W$ 遍历到第 $i$ 个物品的重量，还是从第 $i$ 个物品的重量遍历到背包容量最大值 $W$，就是0-1背包和完全背包的区别。
想一想，如果我们从小到大遍历，先更新了 $f[j]$,那么 $f[j]$ 中已经包含了一个物品 $i$,如果 $f[j+w_i]$ 满足判断要求，再更新$f[j+w_i]$，那么这个背包里就会出现两个物品 $i$，很明显就不符合0-1背包问题。
而如果我们从大到小遍历，$f[j]$ 会依据旧的 $f[j-w_i]$ 更新，而不会受到新的 $f[j-w_i]$ 影响，就不会出现物品 $i$ 选取多次的情况。
多重背包
问题分析
多重背包与0-1背包相似，区别在于多重背包的某些物品有$k_i$个，而并非只有一个。
我们可以将多重背包里的物品 $i$ 有 $k_i$个等价为有$k_i$个相同物品 $i$ ，这样就能转化为0-1背包问题。
状态转移方程：
$$f_{i,j} = max(f_{i-1,j-k×w_i}+v_i×k) k∈(0,k_i)$$
时间复杂度为$O(nW\sum{k_i})$
代码实现
强行将多重背包问题转化为0-1背包问题，当数据量过大容易被系统卡掉，不建议这么写!
n,m = map(int,input().split())
inf = []
num = 0
for i in range(n):
v,w,p = map(int,input().split())
num += p
for j in range(p):
inf.append([v,w])
f = [0 for i in range(m+1)]
for i in range(num):
for j in range(m,inf[i][1]-1,-1):
if f[j] < f[j-inf[i][1]] + inf[i][0]:
f[j] = f[j-inf[i][1]] + inf[i][0]
print(f[m])二进制分组优化
强行转化成0-1背包时，假设第 $i$ 个物品有 10 个，最优解时我们需要取 2 个，在遍历时我们就会有 $C^2_{10}$ 个组合，浪费了很多时间。对此，我们使用二进制分组优化。
简单来说，二进制分组就是把 $k_i$ 个物品拆成1 2 4 8 ...的组合，对于不是2的整数次幂的数，我们只需在最后一位补齐就好。
例：13 可拆分为 1 2 4 6
7 可拆分为 1 2 4
说一下原理，因为对于任意大小的数值，我们总能在这些组合中找到有且只有一个组合符合这个数，即减少不必要的遍历。
n,m = map(int,input().split())
inf = []
f = [0 for i in range(m+1)]
for i in range(n):
v,w,p = map(int,input().split())
idx = 1
while p - idx > 0:
inf.append([idx*v,idx*w])
p -= idx
idx = idx << 1
inf.append([p*v,p*w])
for i in range(len(inf)):
for j in range(m,inf[i][1]-1,-1):
if f[j] < f[j-inf[i][1]] + inf[i][0]:
f[j] = f[j-inf[i][1]] + inf[i][0]
print(f[m])单调队列优化
单调队列：单调递增或单调递减的队列
简单来说，单调队列的作用是在一个连续的 $k$ 长度区间内找到其最值。
例：在 1 3 -1 -3 5 3 6 7 中找到 $k$ 长度为3的最值。
不难发现，从左到右的最大值为：3 3 5 5 6 7 ；最小值为：-1 -3 -3 -3 3 3
先讲一下用单调减队列求最大值的原理：
$·$ 从左到右依次遍历 $i$ ，若 $i$ 小于队尾的值，将 $i$ 加入队列。
$·$ 若 $i$ 大于队尾的值，将队尾的数剔除，并继续判断，若还是大于队尾的值，继续剔除并判断，直到 $i$ 小于队尾的值或队空，将 $i$ 加入队列。
$·$ 判断队尾元素的序号和对头的序号是否超过长度 $k$ 的限制，若超过则剔除队头。
$·$ 当前队列的队头即是区间 $[i-k,i]$ 的最大值
注意：单调增队列求最小值，单调减队列求最大值单调增队列求最小值原理相同，自己举一反三
我们来模拟一遍单调增队列求区间最小值的实现过程：
| STEP | 维护队列 | 队首元素(区间最小值) |
|---|---|---|
| 1 入队 | {1} | |
| 3 比 1 大， 3 入队 | {1, 3} | |
| -1 比 1 3 小，1 3 出队，-1 入队 | {-1} | -1 |
| -3 比 -1 小，-1 出队，-3 入队 | {-3} | -3 |
| 5 比 -3 大，5 入队 | {-3, 5} | -3 |
| 3 比 5 小，5 出队，3 入队 | {-3, 3} | -3 |
| -3 不在所查询的区间范围内，-3 出队， 6 比 3 大，6 入队 | {3, 6} | 3 |
| 7 比6大，7 入队 | {3, 6, 7} | 3 |
很明显，单调队列是一个双端队列，不仅需要在队尾执行插入删除操作，同时也需要在对头执行插入删除操作。
在 $python$ 中，我们可以使用 $deque$ 队列完成上述操作。
from collections import deque
dq = deque() # 创建一个空的双端队列
dq.appendleft() # 在队头插入元素
dq.append() # 在队尾插入元素
dq.popleft() # 删除队头元素
dq.pop() # 删除队尾元素具体代码实现： （单调减队列求区间最大值）
from collections import deque
dq = deque()
n,k = map(int,input().split()) # 区间边界k
num = list(map(int,input().split()))
ans = [0 for i in range(n)]
for i in range(n):
while dq and num[i] > dq[-1][0]: # 与队尾进行比较
dq.pop()
dq.append((num[i],i)) # 加入队尾
if i - dq[0][1] == k: # 判断队头是否符合区间要求
dq.popleft()
ans[i] = dq[0][0] # 记录区间最大值
print(ans[2:])学习完单调队列的基本原理，我们来看看单调队列在多重背包上的优化。
先简单描述一个场景，我们只取一种物品 $i$，知道它的价值 $v_i$,重量 $w_i$ 和数量 $p_i$ 以及我们背包容量的最大值$W$。对于这个物品 $i$，如果 $w_i×p_i>W$，即我们的背包无法装完所有的物品，也就相当于该物品有无数多，我们可以直接转化为完全背包问题去解决。
单调队列优化是针对当 $w_i×p_i<=W$ 时，物品数量为有限多个的优化问题。
对于单个物品，其状态转移方程：$f_{j} = max(f_j,f_{j-k×w_i}+v_i×k) k∈(0,k_i)$
在考虑不同背包容量 $j$ 的最大值时，我们能发现 $f[j]$ 和 $f[j-k×w_i]$相关。
举个例子，一个物品重量为 $3$,价值为 $4$，那么背包容量 $j$ 为 $6$ 时, $f[6]$ 的值就等于 $max(f[0]+2×4，f[3]+1×4，f[6])$
我们定义变量 $ind$ 为背包放入最多数量物品 $i$ 后剩余的空间，即 $ind = j\%w_i,ind∈[0,w_i)$
再定义变量 $jnd$ 为选取物品 $i$ 的数量，其大小由背包剩余空间 $ind$ 和物品重量 $w_i$ 决定。$jnd∈[0,(W-ind)/w_i)$
通过遍历 $ind$ 和 $jnd$ 即可更新不同大小容量 $j$ 的最大值。 $j = ind+jnd×w_i$
例：在上面例子的条件下，当 $ind=0$ 时，依次遍历 $jnd$ 即可得到f[0],f[3]和f[6]的值。
现在，我们开始引入单调队列，前面讲到 $f[j]$ 会受到 $f[j-w_i×k]$ 的影响，也就是当 $f[j-w_i×k]+k×v_i$ 大时会更新 $f[j]$，我们只需不断找出在有限数量 $p$ 下的最大值即可。
from collections import deque
n,m = map(int,input().split())
f = [0 for i in range(m+1)]
while n:
v,w,p = map(int,input().split())
if w * p > m: # 转化为完全背包问题解决
for i in range(w,m+1):
if f[i] < f[i-w] + v:
f[i] = f[i-w] + v
else:
for ind in range(w): # ind控制背包剩余容量
dq = deque()
num = (m-ind)//w # num表示放入最大的数量
for jnd in range(num+1): # jnd控制物品选取数量
temp = f[ind+jnd*w] - jnd*v # temp为不取jnd个物品时最大价值
while dq and temp > dq[-1][0]:
dq.pop()
dq.append((temp,jnd))
if jnd - dq[0][1] > p: # 判断是否超过有限数量
dq.popleft()
f[ind+jnd*w] = dq[0][0] + jnd*v
n-= 1
print(f[m])最后，祝大家能完全理解单调队列优化多重背包问题！ OVO 超有趣的优化！
726
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
