[笔记]动态规划与01背包问题

此笔记为个人学习记录，欢迎大佬指出误区，如有和你的认知矛盾之处，以你为准

关于动态规划

基本思想：避免重复计算

适用问题特征：重复子问题

如何实现：将原问题拆分为若干个更小的问题，通过dp数组存储子问题的结果，
（想象一个金字塔，先把最底层的盖完后，第二层就能在最底层的基础上再盖，以此类推），
在某个较大子问题包含已经求解过的子问题的时候，直接从dp数组中取得该结果，得出结果后再次存入dp数组，以避免该子问题的重复计算，
以此类推，当某个更大的子问题包含这个较大子问题时，同样可以直接从dp数组中再次取得结果，直到问题解决。

思考过程

显然动态规划的灵魂所在就是dp数组（Dynamic Programming）
所以首先得明确dp数组的下标（还有要使用一维还是更多维的数组）和其对应的子问题的含义
然后确定递推公式：即上述中子问题，较大子问题和更大的子问题之间是如何转换的（这一步一般是最难也是最关键的）
之后将dp数组初始化，确定遍历顺序，找几个例子检验一下即可

01背包问题

概述

有N件物品和一个容量为W的背包。
每第i件物品的重量为weight[i]，价值为value[i]。
每件物品仅有一件，可选择装与不装。
求解选择装入哪些物品时得到的价值最大。

思考过程

建立dp数组：//存放子问题的结果

对dp[i][j]：
i：[0…i]号备选物品
注意这里是从0号到i号之间的所有物品
j：背包的容量上限
时刻注意dp[i][j]数组仅存放了一个数字，这个数字对应着条件为i和j时的最优解

递推公式推导：//建立i与i-1之间的关系

首先固定背包容量为j，对每一个第i件物品有两种选择：
1>不放入这个第[i]件物品：
此时有 dp[i][j]=dp[i-1][j] //相当于不存在这一件物品（这一件物品不影响问题的最优解）
所以结果为0~i-1（没有第i件物品）时的最优解
2>放入这个第i件物品时：
有dp[i][j]=+value[i]+dp[i-1][j-weight(i)] //优先处理这一件物品，获得价值value[i]，同时背包容量减少这件物品的重量即[j-weight(i)]
此时背包大概率还是能装下一点别的东西的，这点剩下的容量能装下的价值就是dp[i-1][j-weight(i)](因为第i号物品已经在包里了，所以备选物品从0~i-1里选）

那么到底是装还是不装呢，只需要对上面两种情况带来的价值进行比较即可，于是得到递推公式
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);

dp数组初始化

显然备选物品数量和背包容量不应该为负值，但是由递推公式可以预料到，i=0时，i-1就为负值，所以在i=0时，不应依照递推公式，而是应当自己手动对其进行赋值，以便后续的问题依次进行解决

对dp[0][j]：此时备选物品仅有第0号（也就是第一件，这里标为0只是为了对应数组规则）物品，此时对与容量为j的背包有两种可能：
当背包容量装不下第0号物品时，即j<weight(0)时，dp[0][j]=0;
当背包能装下第0号物品时，即j>=weight(0)时，dp[0][j]=value(0);