ACM第九周&&第十周背包总结（2021.5.15补）

背包知识理解和总结:

01背包: 每种物品仅有一件，可以选择放与不放。
完全背包: 每种物品无限件。
多重背包: 第i种物品最多有n[i]件可用。
分组背包: 选择本组的某一件，还是一件不选。

★01背包:
f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]} ;//f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。
因为该状态f[i][v]只与上一状态有关，所以出现了简化（一维）:
f[v]=max{f[v],f[v-c[i]]+w[i]}
还有，一点！逆序！
因为求容量v的状态值时，只与前i-1件物品装入容量小于或等于v的状态有关，与大于v的状态无关。可先更新大容量的状态值。我自己的理解就是，想求现在v容量i件物品最大价值，而需要比较的是上一状态i-1件物品v容量的价值(i不放背包)和i-1件物品v-c[i]容量的价值（i放入背包）。所以不能先把小容量的状态值修改了，否则会影响这一个状态寻找最大值。
链接:
01背包，C题
01背包，D题.

★完全背包:f[i][j]=max{f[i-1][j-k*w[i]]+k*v[i]|0=<k<=V/w[i]}
时间优化:
f[i][j]=max(f[i-1][j], f[i][j–wi]+vi） f[ i ][ v ]//为前 i 种物品恰好放入容量为 v 的背包的最大权值。

理解根据上述状态转移方程可知，假设的是子结果f[ i-1 ][ v-k*w[i] ]中并没有选入第 i 种物品，所以我们需要逆序遍历（像0/1背包一样）来确保该前提；但是现在考虑“加选一件第 i 种物品”这种策略时，正需要一个可能已经选入第 i 种物品的子结果f[ i ][ v-w[i] ]，于是当我们顺序遍历时，就刚好达到该要求。这种做法会省去一层循环，即第 i 种物品放入的件数k。
空间优化:

//伪代码
for i = 1..N
　　　for v = 0..V
　　　　 f[v] = max{f[v],f[v-w[i]] + val[ i ] };

理解考虑f[i][j]时，由于是从前往后写，f[j]没被写入，它表示的是f[i-1][j]，f[j-w[i]]已被写入，它表示的是f[i][j-w[i]]
那么，一维的 f[v]=max{f[v],f[v-w[i]]+v[i]}
恰好能表示是二维的f[i][v]=max{f[i-1][v],f[i][v-w[i]]+v[i]}

★多重背包:
有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用，每件费用是c[i]，价值是w[i]。（在完全背包的基础上，找到每件物品的最优个数从而就找到了最优解）
理解，因为对于第i种物品有n[i]+1种策略：取0件，取1件……取n[i]件。
f[i][v]//表示前i种物品恰放入一个容量为v的背包的最大权值，则：f[i][v]=max{ f[ i-1 ][ v-k*w[i] ] + k*val[ i ] | 0<= k <= n[ i ]}
具体问题具体分析

★分组背包:
有N件物品和一个容量为V的背包。第i件物品的费用是c[i]，价值是w[i]。这些物品被划分为若干组，每组中的物品互相冲突，最多选一件。

//伪代码
 for 所有的组k
	   for v=V..0//必须在i循环的外部，这样才能保证每一组最多一个物品
			for 所有的i属于组k
					    f[v]=max{f[v],f[v-c[i]]+w[i]}

具体问题具体分析