完全背包问题

        分享完使用动态规划解决01背包问题及使用滚动数组对优化01背包问题后，这次分享了使用动态规划解决完全背包问题。
        01背包问题和完全背包问题的区别在于01背包问题中物品只能取一次，而完全背包问题物品可以取多次，在上篇文章中使用滚动数组(就是一个一维数组 )对优化01背包问题时，要求在遍历背包容量时，必须要倒序遍历，原因时为了避免添加同一个物品，而完全背包问题允许添加重复物品，因此，将遍历背包容量的循环从倒序遍历修改为正序遍历，即从01背包问题转化为完全背包问题。下面给出使用滚动数组优化后的完全背包问题完整代码。

完全背包问题

你有一个背包，最多能容纳的体积是V。现在有n种物品，每种物品有任意多个，第i种物品的体积为𝑣𝑖,价值为𝑤𝑖。
（1）求这个背包至多能装多大价值的物品？
（2）若背包恰好装满，求至多能装多大价值的物品？

示例2
输入：8,3,[[3,10],[4,15],[5,20]]
返回值：[30,30]
说明：无法恰好装满背包。

import java.util.*;


public class Solution {
    /**
     * 代码中的类名、方法名、参数名已经指定，请勿修改，直接返回方法规定的值即可
     *
     * 
     * @param v int整型 
     * @param n int整型 
     * @param nums int整型ArrayList<ArrayList<>> 
     * @return int整型ArrayList
     */
    public ArrayList<Integer> knapsack (int v, int n, ArrayList<ArrayList<Integer>> nums) {
        // write code here
        int[] dp = new int[v + 1];
        int[] dp1 = new int[v + 1];
        for(int i = 1;i <= v;i++){
            dp1[i] = Integer.MIN_VALUE;
        }
        for(int i = 0;i < nums.size();i++){
            int weight = nums.get(i).get(0);
            int value = nums.get(i).get(1);
            for(int j = 0;j <= v;j++){
                if(j >= weight){
                    dp[j] = Math.max(dp[j], dp[j - weight] + value);
                    if(dp1[j - weight] != Integer.MIN_VALUE){
                        dp1[j] = Math.max(dp1[j], dp1[j - weight] + value);
                    }
                }
            }
        }
        ArrayList<Integer> ans = new ArrayList<>();
        ans.add(dp[v]);
        ans.add(dp1[v] == Integer.MIN_VALUE ? 0 : dp1[v]);
        return ans;
    }
}

        上述定义了两个一维dp数组，也成为滚动数组，dp用于计算这个背包至多能装多大价值的物品，dp1用于计算若背包恰好装满，求至多能装多大价值的物品。前面的问题即是完全背包问题，就不再详细展开说明，后面的问题将详细展开说明。首先要明白dp1[i]的含义为背包容量为i时恰好能装满背包的最大价值。dp1[0]一定要初始化为0，而后将其他元素初始化为Integer.MIN_VALUE，为什么这样初始化，后面会说到。
        以上述示例说明代码的详细执行流程。物品和背包信息如下：

        dp1数组初始化如下：

        首先遍历物品0，背包容量从0-8，上述代码中j就表示背包容量，j > 物品0的体积时，才会进入if，显然背包容量为0，1，2时，都不会进入if判断，当背包容量为3时，j等于物品0的体积，并且j - 物品0体积3时刚好等于dp[0]，所以dp[3] = Math.max(dp[3]，dp[0] + 3]，最初dp[3] = Integer.MIN_VALUE，最后dp[3]等于3。背包容量刚好装下物品0，所以这里就解释为什么dp[0]要等于0，而不是其他值。其他元素初始化为Integer.MIN_VALUE原因是上述求max时，要求dp[3]的初始值要小于0，否则对求max有影响，其实也没必要初始化为最小值，小于的值就可以。之后背包容量为4、5时，j - 物品0的重量都等于Integer.MIN_VALUE，表示无法刚好装满，当背包容量为6时，dp[6] = Math(dp[6]，dp[3] + 3]，dp[6] = 6，之后背包容量为7和8，j - 物品0的重量都等于Integer.MIN_VALUE。遍历完物品0，得到dp1数组如下：

        接着遍历物品1，背包容量为1，2，3时，背包容量j都是小于物品1的体积，不进入if，背包容量为4时，等于物品1的体积，同时j - 物品1的体积刚好等于dp[0]等于0，不等于Integer.MIN_VALUE，所以dp[4] = 15，背包容量为5，6，7时，背包容量均有剩余，j - 物品1的价值等于Integer.MIN_VALUE，无法刚好装满背包，当背包容量为8时，dp[8] = dp[4] + 15 = 30。物品1遍历完成后，dp1数组如下：

        遍历物品2就不展开说了，遍历完成物品2后，dp1数组如下：

        值得注意的是，问题1要求背包价值最大，不一定刚好装满背包，问题2，刚好装满背包，价值不一定是最大的，这题刚好两个问题的最优值均为30。

参考：带你学透完全背包问题！ 和 01背包有什么差别？遍历顺序上有什么讲究？