本周博客总结

最开始学acm是从dfs入门的,当时看题的时候就看到好多dfs题的题解都有dp的做法,这个周也终于有机会亲身领略一下dp了

但是dp和dfs的区别:做每走一步都是最优解，那么这样最优到头，就不存在像DFS一样回头找其它路径然后比对的过程了。

为了实现每走一步都是最优解，需要把一些数据进行预先比对，然后挑出最优解。

经典的01背包:

好多不一样重量和价值的物品要放入一个体积不变的背包，求最多放多少价值

最开始遇到这个问题，我想到贪心算法，但是贪心其实是不对的。因为动态规划思想就是解决子问题并记录子问题的解，这样就不用重复解决子问题了。

用一个数组f[i][j]表示，在只有i个物品，容量为j的情况下背包问题的最优解

我们得到状态转移方程:

f[i+1][j]=max(f[i][j],f[i][j-weight[i+1]+value[i+1])。

完全背包问题:

每个物品都有无限多件，往背包里面装东西，怎么装能使背包的内物品价值最大

通俗讲就是物品有无限多件。往背包里面添加物品时，只要当前背包没装满，可以一直添加。

那么状态转移方程为：

f[i+1][j]=max(f[i][j-k*weight[i+1]]+k*value[i+1])，其中0<=k<=V/weight[i+1]

多重背包问题：

给出一堆物品和一个背包,选择不同物品但是每种物品有限制的选择次数,求最多放多少价值.

与完全背包的区别在于，每一种物品是有个数限制的，不能无限选择

对于多重背包的问题，遵从01背包的策略，是选择放或者不放两个状态，但是每一种物品可以放最多num[i]个，因此可以转换为：实际上我们对于一个物品的选择就是放多少个的问题，最多放num[i]个的问题：

我们假设一种物品选择k个（除了背包本身重量限制，k还受到每一类物品数量num[i]的限制）

(1)选择放进去

如果选择放进去，还需要考虑放进去多少个，即

1, 2, 3, ···, k-1, k个且（0 < k && k * w[i] <= j && k <= num[i]）

表示在上一个物品的状态的时候，我的当前背包重量j需要减去当前k个物品的重量k*w[i]，并且整个背包的价值需要加上当前k个物品的价值k*v[i]，则状态方程为：

# 0 < k && k * w[i] <= j && k <= num[i]

dp[i][j] = dp[i-1][j-k*w[i]] + k*v[i]

(2)选择不放进去

实际上如果选择不放进去的时候，表示放进去的是0个，需要减去的kw[i]和需要加上的kv[i]都为0选择不放进去的状态方程则为：

# dp[i][j] = dp[i-1][j-0*w[i]] + 0*v[i]

dp[i][j] = dp[i-1][j]

由此我们可以得到状态转移方程：

# 0 < k && k * w[i] <= j && k <= num[i]

dp[i][j] = max(dp[i-1][j-k*w[i]] + k*v[i], dp[i-1][j])

背包题很经典,虽然很难理解,但是深入学习后给我的dp算法思想了启蒙,剩下的就是看题了