[C/C++]背包问题

问题1：0-1背包问题。

给定 $n$ 个重量为 { $w_1$, $w_2$,…, $w_n$ }，价值 { $v_1$, $v_2$,…, $v_n$ }的物品，给定最大载重 $T$ 的背包，每件物品最多装一件，要求背包中的物品价值最大。
0-1表示每件物品最多使用一次。

思路：
我们使用 $f(i,j)$ 表示背包的载量为 $j$ 时，对于第 $i$ 个物品，包内的价值。
基于递归的思想，对于$f(i,j)$ 我们有2种途径得到，但是要取最大值：

1. 假设不装第 $i$ 件物品，则此时的包内价值 $f(i-1,j)$。
2. 假设装第 $i$ 件物品，则此时的包内价值 $v_i+f(i-1,j-w_i)$。
   因此我们得到状态转移方程：
   f ( i , j ) = m a x { f ( i − 1 , j ) , v i + f ( i − 1 , j − w i ) } f(i, j)=max \{ f(i-1, j),v_{i}+f(i-1, j-w_{i})\} f(i,j)=max{f(i−1,j),vi​+f(i−1,j−wi​)}

代码：

#include<iostream>
#include<vector>
#include<algorithm>
using namespace std;

//原始的思路
int Bag01(vector<int> &w, vector<int> &v, int T )  //weight, value, capacity
{
	int n = w.size();
	if (n == 0)
		return 0;
	//二维数组
	vector<vector<int>> dp(n, vector<int> (T + 1, 0));
	//初始化第一行
	for (int j = 0; j <= T; j++)
	{
		dp[0][j] = w[0] <= j ? v[0] : 0;
	}
	for (int i = 1; i < n; i++)
	{
		for (int j = 0; j <= T; j++)
		{
			dp[i][j] = dp[i - 1][j];
			if (w[i] <= j)
			{
				dp[i][j] = max(dp[i - 1][j], v[i] + dp[i - 1][j - w[i]]);
			}			
		}
	}
	return dp[n-1][T];
}

//0-1背包,优化，采用1维数组
int Bag01_1(vector<int> &w, vector<int> &v, int T)  //weight, value, capacity
{
	int n = w.size();
	if (n == 0) return 0;
	//一维数组
	vector<int> dp(T + 1, 0);
	for (int i = 0; i < n; i++)
	{
		for (int j = T; j >= w[i]; j--)
		{
			dp[j] = max(dp[j], dp[j - w[i]] + v[i] );			
		}
	}
	return dp[T];
}

int main()
{
	vector<int> w({ 2,7,5,6,9 });
	vector<int> v({ 4,7,6,8,10 });
	int T = 18;
	int value = Bag01(w, v, T);
	return 0;
}

结果：

问题2：完全背包问题。

给定 $n$ 个重量为 { $w_1$, $w_2$,…, $w_n$ }，价值 { $v_1$, $v_2$,…, $v_n$ }的物品，给定最大载重 $T$ 的背包，每件物品可以装任意件，要求背包中的物品价值最大。

思路：
与0-1背包问题不同的是，此处每个物品可以装任意个了，即我们需要多设一层循环，在载量为 $j$ 时，对于物品 $i$ ，我可以有 $k$ 种选择, $k$ 满足 $0<=k\ast w[i]<=j$ 。
此时的状态转移方程：
f ( i , j ) = m a x { f ( i − 1 , j ) , k ∗ v i + f ( i − 1 , j − k ∗ w i ) } f(i, j)=max \{ f(i-1, j),k*v_{i}+f(i-1, j-k*w_{i})\} f(i,j)=max{f(i−1,j),k∗vi​+f(i−1,j−k∗wi​)} , 其中 $0<=k\ast w[i]<=j$

代码：

#include<iostream>
#include<vector>
#include<algorithm>
using namespace std;

//原始的思路
int BagComplete(vector<int> &w, vector<int> &v, int T)  //weight, value, capacity
{
	int n = w.size();
	if (n == 0)
		return 0;
	//二维数组
	vector<vector<int>> dp(n, vector<int>(T + 1, 0));
	//初始化第一行
	for (int j = 0; j <= T; j++)
	{
		for (int k = 1; k*w[0] <= j; k++)
		{
			dp[0][j] = k*v[0];
		}	
	}
	for (int i = 1; i < n; i++)
	{
		for (int j = 0; j <= T; j++)
		{
			dp[i][j] = dp[i - 1][j];
			for(int k=1;k*w[i] <=j;k++) //加一层循环
			{
				dp[i][j] = max(dp[i - 1][j], k*v[i] + dp[i - 1][j - k*w[i]]);
			}
		}
	}
	return dp[n - 1][T];
}

//优化完全背包
int BagComplete_1(vector<int> &w, vector<int> &v, int T)
{
	int n = w.size();
	if (n == 0) return 0;
	vector<int> dp(T + 1, 0);
	for (int i = 0; i < n; i++)
	{
		for (int j = w[i]; j <= T; j++)
		{
			dp[j] = max(dp[j], dp[j - w[i]] + v[i]);
		}
	}
	return dp[T];
}

int main()
{
	vector<int> w({ 2,7,5,6,9 });
	vector<int> v({ 4,7,6,8,10 });
	int T = 18;
	int value = BagComplete(w, v, T);
	int value_1 = BagComplete_1(w, v, T);
	return 0;
}

结果：

总结：
首先想想为什么 01 背包中要按照 $j$ 递减的次序来循环？

首先强调一个认知，若对第 $i$ 次循环中的状态 $f(i,j)$， 若其经过状态转移公式计算，则 $f(i,j)$表示第 $i$ 次状态；若未经过计算，则表示 第 $i-1$ 次的状态。

让 $j$ 递减是为了保证第 $i$ 次循环中的状态 $f(i,j)$ 是由状态 $f(i-1,j-w[i])$ 递推而来。换句话说，这正是为了保证每件物品只选一次，保证在考虑“选入第 $i$ 件物品”这件策略时，依据的是一个绝无已经选入第 $i$ 件物品的子结果 $f(i-1,j-w[i])$ 。

完全背包的特点恰是每种物品可选无限件，所以在考虑“加选一件第 $i$ 种物品”这种策略时，却正需要一个可能已选入第 $i$ 种物品的子结果 $f(i,j-w[i])$ ，所以就可以并且必须采用 $j$ 递增的顺序循环。这就是这个简单的程序为何成立的道理。

参考链接：
[1] 跑码场：彻底理解0-1背包问题
[2] 弗兰克的猫：【动态规划】完全背包问题