数据结构——动态规划

动态规划是算法中的一个难点;
思路主要是：
1.将模型抽象，提取出数据之间的抽象关系，并且满足最优解原理；
2.满足最优解，将问题小化为子问题，转化为递推形式；

01背包问题

N=10时:

i	1	2	3	4
weight	1	3	4	5
value	2	5	6	7

对于固定容积（capacity），如何放入，价值最大？

对于这样一个问题,将其划分为若干子问题的前提是该问题符合最优解原理;
参考网络上简单的证明：采用反证法：
s[4]为记录物品装入的组合：exp:(0,1,1,0)中,1表示装入，0表示未装入;
对于容积N的背包：装入物品组合的最优解为s[v1,v2,v3,v4];
{v1,v2,v3,v4}为当前问题的最优解；
对于该背包的子问题（容积小于之前背包i=1的容积时）
{v2,v3,v4}为当前问题最优解；假设当前最优解为{z2,z3,z4}时，那么N时，最优解为v1+{z2,z3,z4};
与{v1,v2,v3,v4}相矛盾,所以该问题复合最优解原理.（即前一状态构成后续阶段决策的最后序列）

满足最优解原理，该算法具有可拆分性;

F(i,j)表示对于j容量的背包,前i件物品最佳组合，所组成的最大价值;
j<w(i)时：F(i,j)=F(i-1,j);
else:
F(i,j)=max(F(i-1,j),F(i-1,j-w(i))+v(i));
F(i-1,j-w(i))+v(i)表示前i-1件在j-w(i)容量下的最优解的价值+该件物品的价值;

所以
j<w(i):F(i,j)=F(i-1,j);
j>=w(i):F(i,j)=max(F(i-1,j),F(i-1,j-w(i))+v(i));

填表j=0时，F(i,0)=0;无法装入任何物品,无价值,F(0,j)=0装入0件物品，无价值（边界条件）
w(1)=1，F(1,1)=F(0,0)+v(1)=2;
F(1,2)=F(0,1)+v(1)=2;
F(1,3)=F(0,2)+v(1)=2;
…
F(1,10)=F(0,9)+v(1)=2;

i j	0	1	2	3	4	5	6	7	8	9	10
0	0	0	0	0	0	0	0	0	0	0	0
1	0	2	2	2	2	2	2	2	2	2	2
2	0
3	0
4	0

i=2时：
w(2)=3
F(2,1)=F(1,1)=2;
F(2,2)=F(1,2)=2;
F(2,3)=max(F(1,3),F(1,0)+v(2))=5;
F(2,4)=max(F(1,4),F(1,1)+v(2))=7;
F(2,5)=max(F(1,5),F(1,2)+v(2))=7;
…
F(2,10)=max(F(1,10),F(1,7)+v(2))=7;

i j	0	1	2	3	4	5	6	7	8	9	10
0	0	0	0	0	0	0	0	0	0	0	0
1	0	2	2	2	2	2	2	2	2	2	2
2	0	2	2	5	7	7	7	7	7	7	7
3	0
4	0

i=3时：
w(3)=4
F(3,1)=F(2,1)=2;
F(3,2)=F(2,2)=2;
F(3,3)=F(2,3)=5;
F(3,4)=max(F(2,4),F(2,0)+6)=max(7,6)=7;
F(3,5)=max(F(2,5),F(2,1)+6)=max(7,8)=8;
F(3,6)=max(F(2,6),F(2,2)+6)=8;
F(3,7)=max(F(2,7),F(2,3)+6)=11;
F(3,8)=max(F(2,8),F(2,4)+6)=13;
…

i j	0	1	2	3	4	5	6	7	8	9	10
0	0	0	0	0	0	0	0	0	0	0	0
1	0	2	2	2	2	2	2	2	2	2	2
2	0	2	2	5	7	7	7	7	7	7	7
3	0	2	2	5	7	8	8	11	13	13	13
4	0

i=4：
w(4)=5
F(4,1)=F(3,1)=2;
F(4,2)=F(3,2)=2;
F(4,3)=F(3,3)=5;
F(4,4)=F(3,4)=7;
F(4,5)=max(F(3,5),F(3,0)+7)=max(8,7)=8;
F(4,6)=max(F(3,6),F(3,1)+7)=9;
F(4,7)=max(F(3,7),F(3,2)+7)=11;
F(4,8)=max(F(3,8),F(3,3)+7)=13;
F(4,9)=max(F(3,9),F(3,4)+7)=14;
F(4,10)=max(F(3,10),F(3,5)+7)=15;

i j	0	1	2	3	4	5	6	7	8	9	10
0	0	0	0	0	0	0	0	0	0	0	0
1	0	2	2	2