C++动态规划

在C++中，动态规划通常用于优化那些具有重叠子问题和最优子结构特性的问题。通过存储子问题的解，动态规划可以避免重复计算，从而显著提高算法的效率。

下面是一个C++中使用动态规划解决0-1背包问题的示例。0-1背包问题是一个经典的优化问题，在这个问题中，有一组物品，每个物品都有各自的重量和价值，目标是选择一些物品放入一个背包中，使得背包中物品的总价值最大，同时不超过背包的容量。

#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

int main() {
    int n, m; // n是物品数量，m是背包容量
    cin >> n >> m;

    vector<int> weights(n + 1); // 物品重量
    vector<int> values(n + 1); // 物品价值
    for (int i = 1; i <= n; ++i) {
        cin >> weights[i] >> values[i];
    }

    vector<vector<int>> dp(n + 1, vector<int>(m + 1, 0)); // DP表格，dp[i][j]表示前i个物品放入容量为j的背包中的最大价值

    // 动态规划求解
    for (int i = 1; i <= n; ++i) {
        for (int j = 1; j <= m; ++j) {
            if (weights[i] <= j) {
                dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weights[i]] + values[i]);
            } else {
                dp[i][j] = dp[i - 1][j];
            }
        }
    }

    // 输出结果
    cout << dp[n][m] << endl;

    return 0;
}

在这个例子中，我们首先读入物品的数量n和背包的容量m，然后读入每个物品的重量和价值。接下来，我们创建一个二维DP表格dp，其中dp[i][j]表示前i个物品放入容量为j的背包中的最大价值。

我们通过双重循环遍历所有物品和所有可能的背包容量。对于每个物品i和背包容量j，我们检查是否可以将物品i放入背包中（即weights[i] <= j）。如果可以，我们比较两种情况的价值：一种是不放入物品i，价值为dp[i - 1][j]；另一种是放入物品i，价值为dp[i - 1][j - weights[i]] + values[i]。我们选择价值更大的那种情况。如果物品i不能放入背包中，则dp[i][j]的值与dp[i - 1][j]相同。

最后，我们输出dp[n][m]，即将所有物品放入容量为m的背包中的最大价值。

请注意，在实际应用中，可能需要考虑空间优化，例如使用滚动数组来减少DP表格的空间占用。此外，在处理大量数据时，还需要注意整数溢出等问题。