0-1背包问题

​
前言：

本人三本菜鸡，在大一的时候，室友选c++期末大作业选的正好是这个，当时也在网上找了一下这个算法的相关代码，但是看不懂。后来自学算法的时候学到了动态规划，正好遇到了这个题，可是时过半年，还是没有明白这个动态规划，或者是说明白了思想，但是不会写代码。后来因为要准备蓝桥杯了（因为学校没有ACM队），所以还是强迫自己弄明白这个，看了很多视频，绕了很多弯路，最后终于明白了这题。因为淋过雨，所以更懂得为别人撑伞，这也是我写这篇文章的原因。

下面进入正题：

0-1背包问题是最经典的dp（动态规划）问题，但是拿它当dp入门感觉还是有点难。而且这个名字经常会误导一些人，有些人看到题目里出现背包二字，就觉得这题是dp问题，实际上dp是一类问题，这类问题往往是在某种条件下找到最优解。

关于这类解，我们需要按照下面的思路：

1.怎么表示当前的状态

2.状态转移方程是什么

3.时间复杂度能否满足

这里可以先看一下点击这里，感受一下动态规划的优点：减少重复计算，降低时间复杂度

那么接下来我们看看0-1背包问题怎么写呢？

题目如下

题目描述

有 N 件物品和一个容量是 V 的背包。每件物品只能使用一次。

第 i 件物品的体积是 $v_i$，价值是 $w_i$。

求解将哪些物品装入背包，可使这些物品的总体积不超过背包容量，且总价值最大。
输出最大价值。

输入格式

第一行两个整数，N，V，用空格隔开，分别表示物品数量和背包容积。

接下来有 N行，每行两个整数 $v_i,w_i$用空格隔开，分别表示第 i 件物品的体积和价值。

输出格式

输出一个整数，表示最大价值。

数据范围

0<N,V≤1000

0<$v_i,w_i$≤1000

输入样例

4 5
1 2
2 4
3 4
4 5

输出样例：

8

思路

我们可以看到数据为0~1000

如果用dfs的话，数据量是$2^{1000}$,数据量大的惊人，如果没有时间限制，我们让计算机一直跑，肯定会出结果的（反正不是我跑）。但是作为小镇做题家，我们是有时间限制的，那么我们怎么做呢？

我们首先定义两个一维数组，分别为w [ ] ,V[ ];这两个数组分别代表价值（worth）和容量（volume）

那接下来按照我们上面写的思路：

1：首先

我们怎么来表示当前的状态呢？我们先思考一下，我们每次选择物品都有两种选择，要么选要么不选。然后有什么限制条件呢？那当然是选的时候，我们得先看看容量够不够啦，容量不够，想放进去也放不进去QAQ。这里通过各位的一顿分析，可以知道有两个变量，也就是

1：选或不选

2：选了容量够不够

这时候我们就可以用一个二维数组来表示一下当前的状态。

我们用dp[i][j]来表示当判断到第i个的时候，我们剩余j个容量，这时候dp[i][j]代表的是这时候我们背包里面物品里面的最大价值。

2：其次

我们该思考一下转移状态方程啦。那我们思考一下状态转移方程是什么呢？我们很容易想到我们判断第i个物品的时候，前i-1个物品我们都判断过了，这时候第i个物品有两种选择

1：不选

2：选

那么我们接下来看一下

第一种情况

也就是不选的情况，不选的话，我们当前的背包的容量和背包里面物品的价值都不会变，也就是

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

第二种情况

也就是选的情况，选的时候我们得先看看这个背包够不够格对吧，那么我们就需要检查一下背包的容量，背包的容量上面我们定义的是dp[i][j]中的j的值，这时候我们判断的条件是什么呢？很明显就是第i个物品的重量和这时候背包的容量j相比较，如果当前背包的剩余容量可以装下这个物品，也就是j>v[i]，这时候我们就可以将它装入了，装入之后我们的体积就需要减少v[i]，剩余容量为j-v[i]。这时候价值为dp[i][j]+w[i]。这时候转移方程为

dp[i][j]=dp[i][j-v[i]]+w[i];

到这里就完了嘛？不，还没有完，我们再继续思考一下，貌似有好多种不同的选择方法会走到dp[i][j]这一步，那么我们怎么办呢，当然是取最优的啦，也就是

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

最后我们考虑一下时间复杂度是多少呢？很明显是O（m*n）。我们看一下给的数据最大为1000，当m和n取最大值的话，最大的时间复杂度也只是$10^6$，完全满足题目给的要求。

下面我们附上代码：

#include<iostream>
using namespace std;

const int N=1010;
int w[N];
int dp[N][N];
int v[N];
int main()
{
    int n,m;
    cin>>n>>m;
    for(int i=1;i<=n;++i)cin>>v[i]>>w[i];
    for(int i=1;i<=n;++i)
    {
        for(int j=0;j<=m;++j)
        {
            dp[i][j]=dp[i-1][j];
            if(j>=v[i])dp[i][j]=max(dp[i][j],dp[i-1][j-v[i]]+w[i]);
        }
    }
    cout<<dp[n][m]<<endl;
    
    
    return 0;
}

这里的核心代码就是

dp[i][j]=dp[i-1][j];
if(j>=v[i])dp[i][j]=max(dp[i][j],dp[i-1][j-v[i]]+w[i]);

那么我们能否再将代码进行优化呢？

答案是可以的，我们可以进行一边输入一边处理。

那么我们又回到了最上面的步骤，既然说了可以优化，那么我们怎么优化呢？我们可以发现上面有一段循环是多余的，就是j在0到v[i]是多余的，这个我们就是处于待优化的状态。既然这一段循环是多余的，那么dp[i][0]~dp[i][v[i]]这段空间我们也可以优化掉，那我们接下来就开始优化啦！

首先

我们想一想这个状态怎么表示呢？我们想到每次输入的时候，这时候只和当前的输入的重量和体积有关，和当前是第多少个物体没有关系，所以我们可以优化掉i的那一层，也就是只用一个一维数组来维护一下当前的状态。也就是dp[j]。那么其中j和dp[j]的含义是什么呢？我们可以思考一下，我们当前只有两个变量，分别是背包的剩余容量和背包的价值，那么根据上面的思路可得，j代表的是当前背包的容量，dp[j]是当前背包的价值。

状态表示有了，状态转移方程是什么呢？我们可以想到上面我们说的，“那么dp[i][0]~dp[i][v[i]]这段空间我们也可以优化掉” 这句话，那么我们怎么优化掉呢？我们只需要对大于当前的价值的dp进行处理，怎么处理呢？

还是有两种情况：

1：不选

2：选

那么这和上面的代码的核心代码差不多，只需要将上面的核心的代码的i给删掉就行了，也就是

dp[j]=max(dp[j]，dp[j-v]+w);

最后我们思考一下该代码的时间复杂度是多少呢？很明显是小于O(nm)的，上面的O(nm)都行，那这个代码更行了。同时这段代码优化了一层，空间复杂度由原来的O($n^2$)变成了O(n)，直接降了一个度。

代码奉上：

#include<iostream>
using namespace std;
int dp[10010];
int main()
{
    int N,M;
    cin>>N>>M;
    //定义状态dp[i]就是重量为i，价值为dp[i]
    for(int i=0;i<N;++i)
    {
        int v,w;
        cin>>v>>w;
        for(int j=M;j>=v;--j)
         dp[j]=max(dp[j],dp[j-v]+w);
    }
    cout<<dp[M]<<endl;
    return 0;
}

你以为到这里就完了吗？错啦，这里有个我们需要思考的地方，为什么j从m到v，而不是v到m呢？这里就需要读者自己思考啦。

提示：
如果从v到m的话，如果先更新dp[v]的话，dp[v]的值可能会变，然后如果更新dp[v+v]的话可能会重复计算，就提示到这啦，剩下的只能靠读者去悟啦！

如果实在不懂的话我举个例子：

假设有三件物品，背包最大容量为2，价值分别为1，2，3，而它们的体积都是1，这时候我们知道最大价值为3+2=5，而如果j从v到m的话，最后得出来的结果是6，这里需要读者自己模拟一下啦！

至此，本菜鸡花两个小时写的0-1背包问题到此结束！

​