动态规划之01背包问题

最近刷leetcode时遇见了好几道动态规划，因此对如何解动态规划这类题目也稍有心得。

什么是动态规划？

可能大家都知道官方的具体解释，巴拉巴拉一堆解释。而在我看来，动态规划就是一种对于问题的拆分。将一个问题拆分成一个一个子问题，总问题的解决办法就依靠着这些子问题的解决而解决。好比你爬上10层楼，你需要先解决1楼到2楼，2楼到3楼。。。。。。最后9楼到10楼。

状态转移方程怎么来的？

问题描述：
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？

对于此类典型的背包问题，我们可以将此问题进行细分：

1.首先将物品细分，问题就可以变为这样：

有编号分别为a的五件物品，它们的重量分别是2它们的价值分别是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？

有编号分别为a,b的五件物品，它们的重量分别是2,2它们的价值分别是6,3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？

。。。。。。

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？

2.对于重量我们也可以进行细分。

最后细分成的问题就是：有编号分别为1,2,..,i的i件物品，它们的重量分别是W1,W2..,Wi它们的价值分别是V1,V2,,,Vi现在给你个承重为j的背包，如何让背包里装入的物品具有最大的价值总和,总价和使用dp[i][j]表示？

问题细分到这里，大家也就知道那个常见的所谓状态转移方程是如何来的了。

dp[i][j] = Max（背上i包后的最大价值，不背i包的最大价值）

不背i包的最大价值 = dp[i-1][j],相信大家都能理解。

背上i包的价值=dp[i-1][j-Wi]+Vi。解释一下：假设此时背包的容量j=5，i包的重量为Wi=2，那么你需要知道背包容量j’=5-2时，不背i包时的最大价值也就是dp[i-1][j-Wi]，然后在这种情况下背上i包，此时最大价值也就是dp[i-1][j-Wi]+Vi，也就是背上i包的最大价值。

所以状态转移方程就是dp[i][j] =Max（dp[i-1][j-Wi]+Vi， dp[i-1][j]），当然需要j>=Wi，如果j小于Wi，说明i包超过了背包最大容量了，因此此时最大价值dp[i][j] = dp[i-1][j]）。

背包问题解法

搞清楚了状态转移方程如何来的，我们就可以解决问题了。

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？

伪码如下：

int[][] dp = new int[包数量+1][总容量加1];
for(int i=0;i<=包数量;i++)
    dp[i][0] = 0;
for(int j=0;j<=总容量加;j++)
    dp[0][j] = 0;
for(int i=1;i<=包数量;i++){
    for(int j=i;j<=总容量加;j++){
     if(j>=Wi)
         dp[i][j] =Max（dp[i-1][j-Wi]+Vi， dp[i-1][j]);
     else   
         dp[i][j] = dp[i-1][j];
  }
  return dp[5][10];
}

因此背包最大价值 :dp[5][10]=15