动态规划之01背包，完全背包，多重背包

01背包

01背包问题，是用来介绍动态规划算法最经典的例子。

01背包的转换方程 f[i][j] = Max{ f[i-1][j-Wi]+Pi( j >= Wi ),  f[i-1][ j ] }

f[i,j]表示在前i件物品中选择若干件放在承重为 j 的背包中，可以取得的最大价值。

Pi表示第i件物品的价值。

决策：为了背包中物品总价值最大化，第 i件物品应该放入背包中吗 ？（0/1的选择)

题目描述：

有编号分别为a,b,c,d,e的五件物品，它们的重量分别是2,2,6,5,4，它们的价值分别是6,3,5,4,6，现在给你个承重为10的背包，如何让背包里装入的物品具有最大的价值总和？

name	weight	value	1	2	3	4	5	6	7	8	9	10
a	2	6	0	6	6	9	9	12	12	15	15	15
b	2	3	0	3	3	6	6	9	9	9	10	11
c	6	5	0	0	0	6	6	6	6	6	10	11
d	5	4	0	0	0	6	6	6	6	6	10	10
e	4	6	0	0	0	6	6	6	6	6	6	6

只要你能通过找规律手工填写出上面这张表就算理解了01背包的动态规划算法。

首先要明确这张表是自上向下，从左到右生成的。(也可以从上往下，只是为了便于观察，理解）

为了叙述方便，用e2单元格表示e行2列的单元格，这个单元格的意义是用来表示只有物品e时，有个承重为2的背包，那么这个背包的最大价值是0，因为e物品的重量是4，背包装不了。

对于d2单元格，表示只有物品e，d时,承重为2的背包,所能装入的最大价值，仍然是0，因为物品e,d都不是这个背包能装的。

同理，c2=0，b2=3,a2=6。

对于承重为8的背包，a8=15,是怎么得出的呢？

根据01背包的状态转换方程，需要考察两个值，

一个是f[i-1,j],对于这个例子来说就是b8的值9，另一个是f[i-1,j-Wi]+Pi；

在这里，

 f[i-1,j]表示我有一个承重为8的背包，当只有物品b,c,d,e四件可选时，这个背包能装入的最大价值

f[i-1,j-Wi]表示我有一个承重为6的背包（等于当前背包承重减去物品a的重量），当只有物品b,c,d,e四件可选时，这个背包能装入的最大价值

f[i-1,j-Wi]就是指单元格b6,值为9，Pi指的是a物品的价值，即6

由于f[i-1,j-Wi]+Pi = 9 + 6 = 15 大于f[i-1,j] = 9，所以物品a应该放入承重为8的背包

    #include<iostream>  
    using namespace std;  
    #define  V 1500  
    unsigned int f[10][V];//全局变量，自动初始化为0  
    unsigned int weight[10];  
    unsigned int value[10];  
    #define  max(x,y)   (x)>(y)?(x):(y)  
    int main()  
    {  
          
        int N,M;  
        cin>>N;//物品个数  
        cin>>M;//背包容量  
        for (int i=1;i<=N; i++)  
        {  
            cin>>weight[i]>>value[i];  
        }  
        for (int i=1; i<=N; i++)  
            for (int j=1; j<=M; j++)  
            {  
                if (weight[i]<=j)  
                {  
                    f[i][j]=max(f[i-1][j],f[i-1][j-weight[i]]+value[i]);  
                }  
                else  
                    f[i][j]=f[i-1][j];  
            }  
          
        cout<<f[N][M]<<endl;//输出最优解  
      
    }  

可以进一步优化内存使用。上面计算f[i][j]可以看出，在计算f[i][j]时只使用了f[i-1][0……j]，没有使用其他子问题，因此在存储子问题的解时，只存储f[i-1]子问题的解即可。这样可以用两个一维数组解决，一个存储子问题，一个存储正在解决的子问题。

再进一步思考，计算f[i][j]时只使用了f[i-1][0……j]，没有使用f[i-1][j+1]这样的话，我们先计算j的循环时，让j=M……1，只使用一个一维数组即可。

for i=1……N

for j=M……1

f[j]=max(f[j],f[j-weight[i]+value[i])

[cpp] view plain copy

    #include<iostream>  
    using namespace std;  
    #define  V 1500  
    unsigned int f[V];//全局变量，自动初始化为0  
    unsigned int weight[10];  
    unsigned int value[10];  
    #define  max(x,y)   (x)>(y)?(x):(y)  
    int main()  
    {  
          
        int N,M;  
        cin>>N;//物品个数  
        cin>>M;//背包容量  
        for (int i=1;i<=N; i++)  
        {  
            cin>>weight[i]>>value[i];  
        }  
        for (int i=1; i<=N; i++)  
            for (int j=M; j>=1; j--)  
            {  
                if (weight[i]<=j)  
                {  
                    f[j]=max(f[j],f[j-weight[i]]+value[i]);  
                }             
            }  
          
        cout<<f[M]<<endl;//输出最优解  
      
    }  

完全背包

在看完01背包问题，再来看完全背包问题：一个背包总容量为V，现在有N个物品，第i个 物品体积为weight[i]，价值为value[i]，每个物品都有无限多件，现在往背包里面装东西，怎么装能使背包的内物品价值最大？

对比一下，看到的区别是，完全背包问题中，物品有无限多件。往背包里面添加物品时，只要当前背包没装满，可以一直添加。那么状态转移方程为：

f[i+1][j]=max(f[i][j-k*weight[i+1]]+k*value[i+1])，其中0<=k<=V/weight[i+1]

使用内存为一维数组，伪代码

for i=1……N

for j=1……M

f[j]=max(f[j],f[j-weight[i]+value[i])

和01背包问题唯一不同的是j是从1到M。01背包问题是在前一个子问题（i-1 种物品）的基础上来解决当前问题（i 种物品），向i-1种物品时的背包添加第i种物品；而完全背包问题是在解决当前问题（i种物品），向i种物品时的背包添加第i种物品。

代码如下：

    #include<iostream>  
    using namespace std;  
    #define  V 1500  
    unsigned int f[V];//全局变量，自动初始化为0  
    unsigned int weight[10];  
    unsigned int value[10];  
    #define  max(x,y)   (x)>(y)?(x):(y)  
    int main()  
    {  
          
        int N,M;  
        cin>>N;//物品个数  
        cin>>M;//背包容量  
        for (int i=1;i<=N; i++)  
        {  
            cin>>weight[i]>>value[i];  
        }  
        for (int i=1; i<=N; i++)  
            for (int j=1; j<=M; j++)  
            {  
                if (weight[i]<=j)  
                {  
                    f[j]=max(f[j],f[j-weight[i]]+value[i]);  
                }             
            }  
          
        cout<<f[M]<<endl;//输出最优解  
      
    }  

多重背包

多重背包问题是0-1背包问题和完全背包问题的综合体，可以描述如下：从n种物品向容积为V的背包装入，其中每种物品的体积为w，价值为v，数量为k，问装入的最大价值总和？

我们知道0-1背包问题是背包问题的基础，所以在解决多重背包问题的时候，要将多重背包向0-1背包上进行转换。在多重背包问题中，每种物品有k个，可以将每种物品看作k种，这样就可以使用0-1背包的算法。但是，这样会增加数据的规模。因为该算法的时间复杂度为O(V*∑ⁿⁱ₌₁ki)，所以要降低每种物品的数量ki。

九度教程上给出了一种方法，将原数量为k的物品拆分成若干组，每一组可看成一件新的物品，其价值和重量为改组中所有物品的价值重量的总和，每组物品包含的原物品个数分别为：1、2、4,...2^n  (k,k*2,k*2^2,k*2^3...)(k=1)。这样就将物品数量大大降低，同时通过对这些若干个原物品组合得到的新物品的不同组合，可以得到0到k之间的任意件物品的价值重量和，所以对所有这些新物品做0-1背包，即可得到多重背包的解。转化之后的时间复杂度为O(V*∑ⁿⁱ₌₁log2(ki))。

想一想为什么可以把一种物品的数量转换为二进制的这种方式呢？
我们的转换，是为了减少计算的次数，枚举十分浪费时间，所以我们想怎样才能节省时间，还能准确的表示出之前的不同数量呢？我们想到了二进制，1111这就能表达16中情况，所以我们想着把数量转换成二进制的表示，我们的k就是表示每一位的权值，这样的话，我们向上枚举1111....,总会到达这个数，然后我们因为只有1，所以会有剩下的，再另外开出一组来，就好了。想想这些数量的表示，他可以直接对数字进行二进制的表示，这样就大大降低了要计算的数量。

 背包九讲网址