动态规划之0-1背包问题

题目描述

给定一个背包，它的承重是c。给定若干物品，每个物品的重量用w[i]来表示（表示第i个物品的重量），每个物品的价值用v[i]来表示（表示第i个物品的价值）。现在要求，从给定的物品中选择若干物品放入背包，要求重量之和不能大于背包的承重c，且价值最大。

• 注意：每个物品的状态只能是装入背包或者是不装入背包，且只能装入一次。

分析

先给个短例子，假设背包承重为6，可选择的物品共有种，重量依次为【1，3，5】，每个物品的价值依次是【5，6，10】。用dp[i][j]来表示，当可选物品为i,i+1,…,3时，背包承重为j时所选择物品的最优值。dp[1][6]即为所要求的值。
我们开始进行选择，假设我选择了第一件物品放入背包，那么这件物品就要从可选择物品中去掉，背包的承重减一即c=6-1=5，所获得的价值是5，dp[1][6]=dp[2][5]+5;接下来，我们就要从剩余的物品中选择，即求dp[2][5]。但是我们如果不选择第一件物品，背包得承重不会发生变化，那么我们要求的就是dp[2][6],即dp[1][6] = dp[2][6]。但是我们怎么知道选择哪一种呢？要进行比较取两种中结果更大的一个dp[1][6]=max{dp[2][6],dp[2][5]+5}。
可见，我们要求的母问题，可以用它的子问题表示，且子问题和母问题是同一类问题。这种问题具有最优子结构，且母问题的解依赖子问题的解。于是我们想到了用动态规划来求解。动态规划最重要的就是找到问题的转移方程。比如上面的方程dp[i][j] = max{dp[i+1][j],dp[i+1][j-w[i]]+v[i]}就是问题的转移方程。有了转移方程还不够，我们还得确定问题的边界，边界是指当子问题到达一定程度之后，就能直接得到答案，而不需要继续划分子问题。比如dp[3][0]=0,这时，可选的物品为第三个物品，但是此时背包承重为0，这时就不能将物品放入背包中，dp[3][6],此时背包承重为6，我们就可以将物品放入背包。

• 有了边界有了状态转移方程，我们就可以进行编程了。

  状态转移方程：dp[i][j] = max{dp[i+1][j],dp[i+1][j-w[i]]+v[i]}

	public static int maxValue(int[] v,int[] w,int c,int n) {
		int dp[][]= new int[n+1][c+1];
		int crisis = min(c,w[n]);
		//确定边界值
		for(int j=0;j<crisis;j++) {
			dp[n][j] = 0;
		}
		for(int j=w[n];j<=c;j++) {
			dp[n][j] = v[n];
		}
		//动态规划
		for(int i=n-1;i>=1;i--) {
			crisis = min(c,w[i]);
			for(int j=0;j<crisis;j++) {
				dp[i][j] = dp[i+1][j];//当前背包容量小于当第i个物品的重量
			}
			for(int j=w[i];j<=c;j++) {
				dp[i][j] = max(dp[i+1][j],dp[i+1][j-w[i]]+v[i]);//当前背包容量大于或等于第i个物品的重量
			}
		}
		return dp[1][c];
	}