0-1背包问题

0-1背包指的当往背包里装物品是，要么装，要么不装，而不能装物品的一部分；

部分背包问题指的是可以装物品的一部分，而不必做出0-1的二分选择；

贪心算法的关键所在是（贪心选择性质和最优子结构）；自上而下，一个一个的做出贪心选择，不断将问题规约到更小的子问题；

动态规划的关键所在是（重叠子问题和最优子结构）；自下而上，每一步都要做出选择，但这些选择依赖于子问题的解；

题目：

总共有3件物品，背包可容纳5磅的东西，物品1重1磅价值60元，物品2重2磅，价值100元，物品3重3磅，价值为120元，怎么才能最大化背包所装物品的价值？

我们假设：c[i]是第i件物品的重量，w[i]是第i件物品的价值，f[i][j]表示背包总的重量为j时，可选物品为物品1~i，背包能获得的最大价值。

用动态规划解0-1背包问题，我么从最小子问题开始求解，直到达到原问题的规模。最小子问题，我们知道，当背包大小为0时，或者物品件数为0时，这时程序结束。所以，这些都是最小的子问题。下面来求出递推公式，并给出dp表（存储小问题的解，防止在计算大问题时带来的重复计算的时间开销）。

1、最终的递推公式如下：

根据递推公式填写的dp表格如下：

1、根据最小问题，我们进行逐个的状态转移。当物品个数为0时，那么获得的最大价值不论背包有多大，那么都为0，这就填写了第1行；同理，当背包的大小为0时，那么不论物品有多重，那么最终获得的价值为0，这就填写了第1列；

2、如果此时只放第1件物品，那么当背包的最大重量为1时，其获得的最大价值为60，同理，当为2,3...5时，均为60，因为只有一个物品；这就填写了第2行；

3、当要放2件物品时，我们要判断背包的大小是否能容纳的下2件物品；即第2件物品放还是不放。即有当j<c[2]时，那么表示物品2的大小大于背包的大小，肯定不能放，所以，当背包大小为1时，获得的最大价值为60，当背包的大小为2时，此时，因为物品2的大小等于背包的重量。此时，如果放物品2获得的价值和不放物品2获得的价值我们取最大值。同理，当背包大小为3时，到底放不放物品2？根据公式，如果不放，那么获得的最大值为60.如果放的话，因为此时背包重量为3，如果放的话最大为160；以下以此类推，最终将问题转化为：

1、如果不放第i件物品，则问题转化为前i-1件物品放入容量为j的背包中；

2、如果放入第i件物品，则问题转化为前i-1件放入剩余的容量为j-c[i]的背包中，此时能获得的最大价值为f[i-1][j-c]i]]+w[i]。

#include<iostream>
#include<algorithm>
using namespace std;
int main(){
	int N = 3, V = 5;//N为物品数量，V为背包的容量
	int c[4] = { 0, 1, 2, 3 };
	int w[4] = { 0, 60, 100, 120 };
/*	int **dp = new int *[N + 1];
	for (int i = 0; i < N + 1; i++){
		dp[i] = new int[V + 1];
	}*/
	int(*dp)[6] = new int[4][6];
	//填dp表
	for (int i = 1; i < N + 1; i++){
		dp[i][0] = 0;
	}
	for (int j = 1; j < V + 1; j++){
		dp[0][j] = 0;
	}
	dp[0][0] = 0;
	for (int i = 1; i < N + 1;i++)
	{
		for (int j = 1; j < V + 1; j++){
			if (j < c[j]){
				dp[i][j] = dp[i - 1][j];
			}
			else{
				dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - c[i]] + w[i]);
			}
		}
	}
	int result = dp[3][5];
	cout << result << endl;
// 	for (int i = 0; i < 4; i++){
// 		delete[]dp[i];
// 	}
	delete []dp;
	return 0;
}