2.13背包问题总结

一、01背包

给出背包容量v，和各物品的重量w[i],价值v[i],

用dp[i][j]表示容量为 j的背包装前 i个物品的最大价值，这样，对于任一dp[i][j]，我们可以对要不要物品i进行决策，如果要，那么dp[i][j]的最大值为v[i]+dp[i-1][j-w[i]],如果不要，那么最大值就是dp[i-1][j],再在这二者中取最大值，即为f[i][j]的值

核心代码

for(int i=1;i<=n;i++)
    for(int j=w[i];j<=v;j++)
    {
        dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+v[i]);
    }

一维数组优化

由上面的代码可以知道，如果我们有该数组的任意一行，我们可以得出下面一行的数据，如果我们只有一个一维数组f[i]，表示dp数组中的dp[i][j]，我们依然可以用f[1]~f[i]的数据得到dp[i+1][j],再把f[i]更新为这个值，再用f[1]~f[i-1]的数据更新f[i-1],若干次后，f数组成为了dp[i+1],这样，我们可以用一个一维数组最终得到原dp数组中的最后一行，f[V]也就是dp[n][V]。

核心代码

for(int i=1;i<=n;i++)
    for(int j=v;j>=w[i];j--)
    {
        dp[j]=max(dp[j],dp[j-w[i]]+v[i]);
    }

二、完全背包

在01背包的基础上，如果每个物品可以无限次的装入背包，那么该如何解决呢。我们在用一维数组处理01背包的时候，j是从左往右遍历的，原因是j左边的数字f[x]代表dp[i-1][x],而其右边的数字已经更新为dp[i][x],而更新f[x]，需要的是dp[i-1][1]~dp[i-1][x]，如果从左往右，会导致我们dp[i-1][j]的数据丢失，从右边更新，则对左边没有影响。

而在完全背包里，我们的决策从 "要不要"，变成了“还要不要”，如果我们“还要”，那么不再用dp[i-1][j]的数据递推，而是已经更新过的dp[i][x],因此，同样经过滚动数组优化后，核心代码为：

for(int i=1;i<=n;i++)
    for(int j=w[i];j<=v;j++)
    { 
        dp[j]=max([j],dp[j-w[i]]+v[i]);
    }

三、多重背包

完全背包是在01的基础上可以拿无限次物品，如果只能拿有限次，就是多重背包。用s[i]储存数量。

我们可以把n个物品1,看成和1质量、价值相同的其他物品，这样也就成了01背包

朴素解法

for(int i=1;i<=n;i++)
{
    for(int j=v;j>=w[i];j--)
    {
        for(int k=0;k<=s[i]&&k*w[i]<=j;k++)
        {
            dp[j]=max(dp[j-1],dp[j-k*w[i]]+k*v[i]);
        }
    }
}

二进制优化

在朴素算法中，对于每一个相同的物品1，我们都进行了要不要的决策，有许多决策本质上是相同的，如果我们只要一个，而在算法中做了“只要第一个”“只要第二个“等多种重复决策，二进制优化可以大大减少时间。我们用1、2、4、8...等来表示数量，如果我们只要n,个通过二进制数的原理，我们知道有且只有一种情况，使得这些数字之和等于n,也就是说，在朴素算法中，如果物品1有10个，我们就要决策10个物品，二进制优化后，我们只要决策各属性（重量，价值）分别为其1，2，4，3倍的这四个物品，就能包括所有情况。

for(i=1;i<=n;i++)
{
    for(j=1;j<=s;j/=2)
    {
        w[num]=j*;
        v[num]=j*v;
        s-=j;
        num++;
    }
    if(s)
    {
    v[num]=s*v;
    w[num]=s*w;
    }
}
for(int i=1;i<=n;i++)
    for(int j=v;j>=w[i];j--)
    {
        dp[j]=max([j],dp[j-w[i]]+v[i]);
    }