动态规划 DP 讲解（三）

为了方便，我们叫它 DP

---

上次讲了$「01背包」$ ，这次来说说完全背包。

这里说一句， 01 背包实际上是大部分背包问题的基础，他们都是由 01 背包演化而来的。

例如这次要说的完全背包，它和 01 背包唯一不一样的就是每一个物品能取无限次。

引入例题：P1616 疯狂的采药

PS：原题是《采药》，也可以去做做看，原题是 01 背包

我们可以考虑一个朴素的做法：对于第 i 件物品，枚举其选了多少个来转移。这样做的时间复杂度是 $O(n^3)$ 的。

状态转移方程如下：
$f[i][j]={\max }_{k=0}^{+\infty }(f[i-1][j-k\times w[i]]+v[i]\times k)$

考虑做一个简单的优化。可以发现，对于 $f[i][j]$，只要通过 $f[i][j-w[i]]$ 转移就可以了。因此状态转移方程为：

$f[i][j]=max(f[i-1][j],f[i][j-w[i]]+v[i])$

理由是当我们这样转移时，$f[i][j-w[i]]$ 已经由 $f[i][j-2\times w[i]]$ 更新过，那么 $f[i][j-w[i]]$ 就是充分考虑了第 $i$ 件物品所选次数后得到的最优结果。换言之，我们通过局部最优子结构的性质重复使用了之前的枚举过程，优化了枚举的复杂度。

与 0-1 背包相同，我们可以将第一维去掉来优化空间复杂度。

code:

#include<bits/stdc++.h>

using namespace std;

long long f[10000001],a[10000001],w[10000001];
int n,m;

int main()
{
    cin>>n>>m;
    for (int i=1;i<=m;i++)
    {
        cin>>w[i]>>a[i];
    }
    for (int i=1;i<=m;i++)
    {
        for (int j=w[i];j<=n;j++)
        {
            f[j]=max(f[j],f[j-w[i]]+a[i]);
        }
    }
    cout<<f[n]<<endl;
    return 0;
}

---

既然都说到了完全背包，那就再说说和它相似的多重背包。

他们两个唯一的不通点是，多重背包问题中一个物品能取的次数是有限的。

一个很朴素的想法就是：

把「每种物品选 $k_i$ 次」等价转换为 「有 $k_i$ 个相同的物品，每个物品选一次」。

这样就转换成了一个 0-1 背包模型，套用上文所述的方法就可已解决。状态转移方程如下：

$f[i][j]={\max }_{k=0}^{k[i]}(f[i-1][j-k\times w[i]]+v[i]\times k)$

时间复杂度 $O(W{\sum }_{i=1}^n{k}_i)$。

考虑优化。我们仍考虑把多重背包转化成 0-1 背包模型来求解。

显然，复杂度中的 $O(nW)$ 部分无法再优化了，我们只能从 $O(\sum k_i)$ 处入手。为了表述方便，我们用 $A_{i,j}$ 代表第 $i$ 种物品拆分出的第 $j$ 个物品。

在朴素的做法中，$\forall j\le k_i，A_{i,j}$ 均表示相同物品。那么我们效率低的原因主要在于我们进行了大量重复性的工作。举例来说，我们考虑了「同时选 $A_{i,1},A_{i,2}$」与「同时选 $A_{i,2},A_{i,3}$」这两个完全等效的情况。这样的重复性工作我们进行了许多次。那么优化拆分方式就成为了解决问题的突破口。

我们可以通过「二进制分组」的方式使拆分方式更加优美。

具体地说就是令 $A_{i,j}\left(j\in \left[0,\lfloor {\log }_2(k_i+1)\rfloor -1\right]\right)$ 分别表示由 $2^j$ 个单个物品「捆绑」而成的大物品。特殊地，若 $k_i+1$ 不是 $2$ 的整数次幂，则需要在最后添加一个由 $k_i-2^{\lfloor {\log }_2(k_i+1)\rfloor -1}$ 个单个物品「捆绑」而成的大物品用于补足。

举几个例子：

6=1+2+3
8=1+2+4+1
18=1+2+4+8+3
31=1+2+4+8+16

显然，通过上述拆分方式，可以表示任意 $\le k_i$ 个物品的等效选择方式。将每种物品按照上述方式拆分后，使用 0-1 背包的方法解决即可。

时间复杂度 $O(W{\sum }_{i=1}^n{\log }_2{k}_i)$

实现代码：

index = 0;
for (int i = 1; i <= m; i++) {
  int c = 1, p, h, k;
  cin >> p >> h >> k;
  while (k > c) {
    k -= c;
    list[++index].w = c * p;
    list[index].v = c * h;
    c *= 2;
  }
  list[++index].w = p * k;
  list[index].v = h * k;
}

---

好了，说了三种背包，是时候综合起来了，下面说说混合背包。

混合背包就是将前面三种的背包问题混合起来，有的只能取一次，有的能取无限次，有的只能取 $k$ 次。

这种题目看起来很吓人，可是只要领悟了前面几种背包的中心思想，并将其合并在一起就可以了。下面给出代码：

for (循环物品种类) 
{
	if (是 01 背包) 01 背包代码;
	else if (是完全背包) 完全背包代码;
	else if (是多重背包) 多重背包代码;
}

练习题：P1833 樱花