动态规划：0-1背包问题

对于一个可装重量为c的背包和一堆价值为v重量为w的货物，求背包能装下的最大价值。

对于每件货物，只有1（装入）或0（不装入）两种状态，因此称为0-1背包问题。

这个问题是有最优子结构的。对于货物是否装入的序列{y1，y2，…，yn}，其子序列{y2，…，yn}也是相应子问题的最优解。

设0-1背包问题的最优值为dp[ i ][ j ]，意为包括前i件货物时，最大装载为j时的最佳装载。

举个例子：
c = 10
weight = [2, 2, 6, 5, 4]
value = [6, 3, 5, 4, 6]
dp如下图：
第0行所代表的是没有包含点的情况，因此全部为0.

第1行只有一个货物，因此在j=2时，背包可以装下第一个货物，之后的dp全部为6.

第2行是包含前两个情况的时候。直到j=4的时候才有能力将两件货物全部纳入。

对于dp[ i ][ j ]，由如下规则计算：

无法装下新货物：dp[ i - 1 ][ j ]

能装下时，考虑值不值：
①装：dp[ i - 1 ] [j - w[ i ] ] + v[ i ]
②不装：dp[ i - 1 ][ j ]

这个时候是谁大选谁。

代码：

def knapsack(m, n, w, v, dp):
    for i in range(1, m):
        for j in range(1, n):
            if w[i] > j:
                dp[i][j] = dp[i-1][j]
            else:
                if dp[i-1][j-w[i]] + v[i] >= dp[i-1][j]:
                    dp[i][j] = dp[i-1][j-w[i]] + v[i]
                else:
                    dp[i][j] = dp[i-1][j]
    return dp[m-1][n-1]


if __name__ == '__main__':
    c = 10
    weight = [0, 2, 2, 6, 5, 4]
    value = [0, 6, 3, 5, 4, 6]
    dp = []
    for i in range(0, len(weight)):
        dp.append([])
        for j in range(0, c+1):
            dp[i].append(0)
    print(knapsack(len(weight), c+1, weight, value, dp))
    for i in range(0, len(weight)):
        print(dp[i])

转载注明出处。