背包问题

完全背包问题
题目 有 N种物品和一个容量为 V的背包，每种物品都有无限件可用。 第 i 种物品的费 用是 c[i] ，价值是 w[i] 。求解将哪些物品装入背包可使这些物品的费用总和不 超过背包容量，且价值总和最大。
基本思路 这个问题非常类似于 01 背包问题 ，所不同的是每种物品有无限件。也就是从每 种物品的角度考虑，与它相关的策略已并非取或不取两种，而是有取 0 件、取 1 件、取 2 件, 等很多种。如果仍然按照解 01背包时的思路，令 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。 仍然可以按照每种物品不同 的策略写出状态转移方程，像这样：
f[i][v]=max{f[i-1][v-kc[i]]+kw[i]|0<=kc[i]<=v}
这跟 01 背包问题一样有 O(NV)个状态需要求解， 但求解每个状态的时间已经不 是常数了，求解状态 f[i][v] 的时间是 O(v/c[i]) ，总的复杂度是超过 O(VN)的。
将 01 背包问题的基本思路加以改进，得到了这样一个清晰的方法。这说明 01 背包问题的方程的确是很重要， 可以推及其它类型的背包问题。 但我们还是试图 改进这个复杂度。
一个简单有效的优化 完全背包问题有一个很简单有效的优化，是这样的：若两件物品 i 、j 满足 c[i]<=c[j] 且 w[i]>=w[j] ，则将物品 j 去掉，不用考虑。这个优化的正确性显 然：任何情况下都可将价值小费用高得 j 换成物美价廉的 i ，得到至少不会更差 的方案。对于随机生成的数据， 这个方法往往会大大减少物品的件数， 从而加快 速度。然而这个并不能改善最坏情况的复杂度， 因为有可能特别设计的数据可以 一件物品也去不掉。
这个优化可以简单的 O(N^2)地实现，一般都可以承受。另外，针对背包问题而 言，比较不错的一种方法是： 首先将费用大于 V的物品去掉， 然后使用类似计数 排序的做法，计算出费用相同的物品中价值最高的是哪个，可以 O(V+N)地完成 这个优化。这个不太重要的过程就不给出伪代码了， 希望你能独立思考写出伪代 码或程序。
转化为 01 背包问题求解 既然 01 背包问题是最基本的背包问题，那么我们可以考虑把完全背包问题转化 为 01 背包问题来解。最简单的想法是，考虑到第 i 种物品最多选 V/c[i] 件，于
是可以把第 i 种物品转化为 V/c[i] 件费用及价值均不变的物品，然后求解这个 01 背包问题。这样完全没有改进基本思路的时间复杂度，但这毕竟给了我们将 完全背包问题转化为 01 背包问题的思路：将一种物品拆成多件物品。
更高效的转化方法是：把第 i 种物品拆成费用为 c[i]*2^k 、价值为 w[i]*2^k 的 若干件物品，其中 k 满足 c[i]*2^k<=V 。这是二进制的思想，因为不管最优策略 选几件第 i 种物品，总可以表示成若干个 2^k 件物品的和。 这样把每种物品拆成 O(log(V/c[i])) 件物品，是一个很大的改进。
但我们有更优的 O(VN)的算法。
O(VN)的算法 这个算法使用一维数组，先看伪代码：
for i=1…N for v=0…V f[v]=max{f[v],f[v-cost]+weight} 你会发现，这个伪代码与 P01的伪代码只有 v 的循环次序不同而已。 为什么这样 一改就可行呢？首先想想为什么 P01中要按照 v=V…0 的逆序来循环。这是因为 要保证第 i 次循环中的状态 f[i][v] 是由状态 f[i-1][v-c[i]] 递推而来。换句话 说，这正是为了保证每件物品只选一次， 保证在考虑“选入第 i 件物品”这件策 略时，依据的是一个绝无已经选入第 i 件物品的子结果 f[i-1][v-c[i]] 。而现 在完全背包的特点恰是每种物品可选无限件，所以在考虑“加选一件第 i 种物 品”这种策略时， 却正需要一个可能已选入第 i 种物品的子结果 f[i][v-c[i]] ， 所以就可以并且必须采用 v=0…V 的顺序循环。这就是这个简单的程序为何成立 的道理。
这个算法也可以以另外的思路得出。 例如，基本思路中的状态转移方程可以等价 地变形成这种形式：
f[i][v]=max{f[i-1][v],f[i][v-c[i]]+w[i]}
将这个方程用一维数组实现，便得到了上面的伪代码。
最后抽象出处理一件完全背包类物品的过程伪代码，以后会用到：
procedure CompletePack(cost,weight) for v=cost…V f[v]=max{f[v],f[v-c[i]]+w[i]}