保姆级01最大背包问题讲解

学习动态规划，始终绕不开01最大背包问题。相较于求解斐波那契数列，01最大背包问题是更标准的动态规划题目（因为它目标是求最值）。接下来我们一点点剖析01最大背包问题的每个细节，去掉那些人云亦云的部分，重点突出一些容易让人迷惑的地方，力求小白也能看明白。

问题描述

有一个背包，容量 capacity=5，有 3个物品，物品不可分割。每件物品和价值如下，要求尽可能让装入背包中的物品总价值最大，但不能超过总容量。

物品编号	1	2	3
重量	1	3	4
价值	15	20	36

我们用weights表示物品重量数组，用values表示物品价值数组。

即weights = [1, 3, 4]，values = [15, 20, 36]

问题分析

大部分人很容易得出这是一个动态规划问题。但若要问为什么，恐怕很少人能够说清楚。事实上，它是动态规划问题的原因很简单：因为它符合动态规划问题的特征。那么，动态规划问题有哪些特征呢？我们来看下：

• 求最值。这个从题目中一眼就可以看出来，我们之所以说斐波那契数列问题不是严格意义上的动归问题，也是因为它并不涉及求最值。

• 最优子结构（字都认识系列）。翻译成人话就是：大规模问题的解可以由小规模问题的解推导出来。对应到实际案例，具体有：

  • 求解斐波那契数列的第n位，可以由第n-1位以及n-2位的数字推导出来；

  • 求背包容量为c，物品个数为n时的最大价值，可以由背包容量为c’​(c’<c)​，物品个数为​n’(n’<n)​时的最大价值推导出来；

  • 求序列长度为n的最长递增子序列，可以由序列长度为n’(n’<n)​的最长递增子序列推导出来；

  • …

关于第2点，我们在后面代码部分会更深刻地体会到，为什么最优子结构是动态规划问题的必要条件。

求解套路

当我们一旦确定是一道动归题目的时候，就可以直接套以下框架来思考，这些是着手coding前必要的准备过程，这个过程的终极目标是：找到状态转移方程，翻译成人话就是：找到大规模问题和小规模问题的关系（类似于斐波那契数列中的$f(n)=f(n-1)+f(n-1)$）。步骤如下：

• 明确有哪些状态。翻译成人话：就是有哪些变量。再翻译翻译，就是在**小规模问题向大规模问题转变时，哪些量会发生改变。**具体到01最大背包问题：【最大价值】不消多讲，求的就是它，它肯定是其中的一个变量。除了它，还有【物品个数】以及【背包容量】，【最大价值】是我们欲求解的值，不妨将其称为【因变量】，后面的两个变量称为【自变量】。

• 明确dp数组的含义。我们都知道求解动归问题要设一个dp数组（不知道也无妨，往后看自然会明白这是啥）。事实上，设dp数组，其实就相当于初中解应用题时设的方程。为了更好地理解，我们不妨回顾一道经典高中题目（好吧，我编的😂）：

  有一堆砖，

  • 小王先搬3天，剩下的小李搬，小李6天可以搬完；

  • 小王先搬2天，剩下的小李搬，小李8天可以搬完；

  • 小王先搬1天，剩下的小李搬，小李搬6天后，还剩10块砖；

  求砖的数量。

  我们拿到这道题的时候，可以在1s内设出变量，并潇洒写出方程组：

  $$\{\begin{array}{l}z=3x+6y\\ z=2x+8y\\ z=2x+6y+10\end{array}$$

  其中，z表示砖的数量，x表示小王每天可以搬多少砖，y表示小李每天可以搬多少砖。

  我们来仔细回顾下心理路程：拿到这道题，之所能直接想到将砖的数量设为z，是因为它是我们的求解目标，即【因变量】（这也是数学老师常常强调的，求什么设什么），而想到设置x和y，是因为x和y是【自变量】。

  抛开x、y、z本身的意义，单看$z=3x+6y$，只要x和y发生变化，z是不是就随之发生了变化呢？是不是跟01最大背包对应上了？对应的，背包的容量和物品的个数是制约背包价值的两个因素。

  好，我们回归正题，dp数组到底怎么设？一言以蔽之，dp的意义一般设为要求解的量（如最大价值、最长子序列等等），而dp的维度则要视状态即【自变量】的个数而定，对于当前问题，由于有两个状态，背包容量&物品个数，因此dp设为二维的，具体哪一维对应哪个自变量，怎么方便怎么来，只要你开心怎样都可以。

  铺垫这么多，我们终于可以得到，dp数组应该设为：

  dp[i][j]

  其意义是面对前i件物品，背包容量为j时（此处一定注意，j表示的是背包容量，而不是背包剩余的容量！！！），可以获得的最大价值。例如dp[2][3]的意思是，面对前2个物品背包容量为3时（并不是容量剩下3），可以获得的最大价值。

• 初始化 dp[i][j]。此步骤虽然简单，但尤其关键。需要注意两个点：

  • 每一维的长度。dp应该的每一维应该多大，即dp应该是几×几的？这里直接给出结论：应该初始化为【自变量1的个数+1】×【自变量2的个数+1】。为什么要+1，我们在coding时会有深刻体会。
  • 初始化的值。此处也直接给出结论：与问题反着来就行，求最大值，就初始化为一个最小值（相对最小，例如该题价值不可能为负数，初始化为0即可）；求最小值，则初始化为一个最大值。

• 状态转移方程，翻译成人话就是：小规模问题向大规模问题转化的关系表达式，是最难的一步，也是我们的终极目标。有一点需要明确的是，当我们求解dp[i][j]时，它以前的值已全部已知，即dp[i’][j’]$($i’​<i,​j’​<j)是已知的。不同的题目的状态转移方程千变万化，很难有规律可循，但是有技巧：

  • 做选择。动归题目很多是做选择题。如01最大背包问题中，面对当前物品，你可以选择装或不装进背包。最长递增子序列问题中，面对当前字符串，你可以选择将它作为递增序列中的一员，反之也可以。

  • 分情况讨论，找出选择前后的递推关系。如前所述，很多时候我们需要做出选择，而一旦做出不同选择，就会产生不同的后果，因此一般需要分情况讨论。对于01最大背包问题来讲，面临当前物品i，背包容量为j时：

    • 装得下（包容量比物品重量大）。此时又有两种选择：

      • 装进包里。则此时的价值为：$$dp[i][j]=dp[i-1][j-weights[i]]+values[i]$$，请注意，网上对此公式的解释很多是错误的，j-weights[i]的意义并不是装了物品i，因此背包容量减去对应重量！，而是先腾出装i的空间，即将数组dp回退到dp[i-1][j-weights[i]]，再把物品i装进包里，相应地，价值也要加上values[i]。
      • 不装进去。就简单了，此时包里的东西没变，总价值也没变，与面临前两件物品可以获取的最大价值相同，故dp[i][j]=dp[i-1][j]。

      这两种情况到底选哪个呢？直觉上觉得装总比不装获得的最大价值要大吧？但是请注意，我们装的前提是，要先腾出装i的空间，这也意味着有可能需要剔除掉一个或多个物品，所以谁大谁小还不一定呢，这也是我们要取max的原因（这一点很容易令人迷惑）。总结一下，如果能装的下，则有：

      $$dp[i][j]=max(dp[i-1][j-weight[i]]+value[i],dp[i][j]=dp[i-1][j])$$

    • 装不下。与不装进去一样，$$dp[i][j]=dp[i-1][j]$$
      至此，我们的求解套路完毕。为了更深刻地理解选择的过程，不妨将整个选择过程（也就是dp数组）用表格记录下来，此处我们选择i=3,j=4来考察，因为该处产生了突变，更方便我们深刻理解算法原理。

正如前面所述，初始化dp每个维度长度都**+1**，i=3，j=4，而4 >=weights[3]，即背包容量为4时可以装的下物品3，具体选择过程如下：

1. 假设选择不装物品3，则可获取的最大价值和物品为2时可获得的最大价值相等，即dp[2][4]( dp[i-1][j] )。

2. 假设选择装物品3，需要将背包腾出装3的空间，发现背包容量和物品3容量相等，这也意味着要想装物品3，需要将背包其他物品都倒出来，我们称其为回退。

3. 回退后对应的可获取的最大价值为dp[2][0]+values[3] (dp[i-1][j-weights[i]]+values[i])。

4. 比较两种选择哪个更大。

   $$dp[i][j]=max(dp[i-1][j-weight[i]]+value[i],dp[i][j]=dp[i-1][j])$$

   35<36，故dp[3][4]=36。

解题框架到此结束，具体代码请移步公众号，将会着重讲解令人疑惑的以及易错部分。