完全背包和0，1背包的差别

完全背包的第一项与0，1背包是一样的，关键在于第二项为什么是dp[i][j-nums[i]]。虽然与0，1背包的差别只是i和i-1的区别，但其实这个区别非常关键，理解了这个区别，那么背包问题的基本原理就可以理解了。我们通过下面的dp表格来理解。

对于0，1背包，假设现在遍历的数字为2，那么dp[2][8] = dp[1][8] || dp[1][6]

对于完全背包，由于2可以被取多次，所以dp[2][8] = dp[1][8] || dp[1][6] || dp[1][4] || dp[1][2] || dp[1][0]

但是当假设背包容量无穷大而物体的体积无穷小，那么这个计算的复杂度会非常非常高。所以我们再来看下一个表。从下面的表发现dp[2][6] = || dp[1][6] || dp[1][4] || dp[1][2] || dp[1][0]. 这不就是计算dp[2][8]的时候计算的几项吗！！！

所以说综合上面两个表，我们可以得到下表，也就是dp[2][8] = dp[1][8] || dp[2][6].

这边举得例子是||操作的情况，而对于subproblem涉及到min，max，+等操作，这种关系显而易见也是成立的。下面列了几个leetcode中0，1背包和完全背包的经典题目。
0，1背包：
Leetcode 416 Partition Equal Subset Sum
Leetcode 474. Ones and Zeroes
Leetcode 494. Target Sum

完全背包：
Leetcode 322. Coin Change
Leetcode 518. Coin Change 2

关于背包问题的空间压缩优化，在这边只做一点总结，后面有机会再进行详细分析。
压缩空间时到底需要正向还是逆向遍历呢？物品和体积哪个放在外层，哪个放在内层呢？这取决于状态转移方程的依赖关系。在思考空间压缩前，不妨将状态转移矩阵画出来，方便思考如何进行空间压缩。如果您实在不想仔细思考，这里有个简单的口诀：0-1 背包对物品的迭代放在外层，里层的
体积或价值逆向遍历；完全背包对物品的迭代放在里层，外层的体积或价值正向遍历。可以参考上面几个题目的解析来对比理解，上面的题目大部分都写了空间优化和不优化的共同解法