背包问题（0-1背包和完全背包）基于python实现

一. 前言

背包问题是一个很经典的问题，包括八个不同类别，但实际面试中，一般知道0-1背包和完全背包就可以应付面试了，本文将从两个基本背包问题进行讨论和实现。
背包问题：
有一个承重为W的背包和N个物品，每个物品重量分别为wt[i]，每个物品价值为v[i]，求问怎么装背包才能使得包内物品价值最高？注意：包内物品重量总和不能超过W

二. 0-1背包

求最值问题首先想到动态规划来做，背包问题就可以采用dp来做

1. 首先弄清楚dp的状态和选择
   状态：背包可以承重的重量W和可选择的物品，因此需要采用二维数组dp
   选择：将物品装入或不装入背包
2. 其次弄清楚dp的含义
   dp[i][w]:表示前i个物品在背包承重为w时背包内的最大价值
3. 接着写出dp状态转移方程

for i in range(1,N+1):
	for w in range(1,W+1):
		if w-wt[i-1]<0:
			dp[i][w] = dp[i-1][w]
		else:
			dp[i][w] = max(dp[i - 1][w], dp[i - 1][w - wt[i - 1]] + vt[i - 1])

4. 最后初始化dp数组和考虑边界条件
   dp = [[0] * (W + 1) for _ in range(N + 1)]
   边界条件：当包内不装任何物品的时候，价值为0，即dp[…][0]=0

下面代码值得注意的循环是从1开始的，而物品重量和价值列表是从0开始的，因此i-1表示第i个物品
完成的代码如下：

"""
动态规划
N=3个物品，每个物品重量wi=[2,1,3],价值vi=[4,2,3]
背包最大的容纳重量为W=4
"""
def dp_bagpack():
    N = 3
    W = 4
    wt = [2, 1, 3]
    vt = [4, 2, 3]
    dp = [[0] * (W + 1) for _ in range(N + 1)]
    for i in range(1, N + 1):
        for w in range(1, W + 1):
            if w - wt[i - 1] < 0:  # w < wt[i - 1]，当前背包容不下下一个物品的重量，此时选择不放入
                dp[i][w] = dp[i - 1][w]
            else:  # 背包可以容纳下一个物品，i-1和w-1表示当前物品i,因为for循环是i=1开始的
                dp[i][w] = max(dp[i - 1][w], dp[i - 1][w - wt[i - 1]] + vt[i - 1])
    return dp[N][W]

还可以进一步优化，使用一维数组dp

"""
动态规划
N=3个物品，每个物品重量wi=[2,1,3],价值vi=[4,2,3]
背包最大的容纳重量为W=4
"""
def dp_bagpack2():
    N = 3
    W = 4
    wt = [2, 1, 3]
    vt = [4, 2, 3]
    dp = [0] * (W + 1)  # dp[j]代表的是当包重量达到j的时候，此时包内物品的最大值
    dp[0] = vt[0]
    for i in range(1, N):
        for w in range(W, -1, -1):  # 要逆序遍历
            if w - wt[i - 1] >= 0:  # 如果包内重量还没装满，则判断取最大值
                dp[w] = max(dp[w], dp[w - wt[i - 1]] + vt[i - 1])
    return dp[W]

两个程序运算结果都为6

三.完全背包

完全背包和0-1背包唯一不同的地方就是在完全背包问题中物品是无限可取的，但不能超过背包承重量W;而0-1背包则是物品只能取一次，不能重复去，也不能超过背包承重量W
完全背包求解思路和0-1背包几乎一致，只是在代码个别地方需要注意一下

"""
动态规划
N=3个物品，每个物品重量wi=[1, 2, 3],价值vi=[2, 4, 3]
背包最大的容纳重量为W=4
物品可重复取
"""
def dp_bagpack():
    N = 3
    W = 4
    wt = [1, 2, 3]
    vt = [2, 4, 3]
    dp = [[0] * (W + 1) for _ in range(N + 1)]

    for i in range(1, N + 1):
        for w in range(1, W + 1):
            if w - wt[i - 1] < 0:
                dp[i][w] = dp[i - 1][w]
            else:
                # 与01背包不同的就是dp[i][w-wt[i-1]]+vt[i-1]与dp[i-1][w-wt[i-1]]+vt[i-1]
                dp[i][w] = max(dp[i - 1][w], dp[i][w - wt[i - 1]] + vt[i - 1])
    return dp[N][W]

优化版

"""
动态规划
N=3个物品，每个物品重量wi=[1, 2, 3],价值vi=[2, 4, 3]
背包最大的容纳重量为W=4
物品可重复取
"""

# 优化版
def dp_bagpack2():
    N = 3
    W = 4
    wt = [2, 1, 3]
    vt = [4, 2, 3]
    dp = [0] * (W + 1)
    for i in range(0, N):  # 此时不是从1开始，而是从0开始，因为可重复取
        for w in range(0, W + 1):  # 记住：要正序取,从0开始
            if w - wt[i] >= 0:  # 只需要判断包未装满的情况
                # dp[w - wt[i]] + vt[i]表示取物品i，则当前重量w需要减去物品的重量，并加上该物品的价值
                dp[w] = max(dp[w], dp[w - wt[i]] + vt[i])  
    return dp[W]

三. 总结

背包问题，至此掌握