动态规划 （三）经典背包

动态规划的学习进入了最后的阶段，现阶段还没有学习区域dp的相关内容，对于之前的动态规划简要做一下学习总结，和一些知识点，这次主要想总结一下背包问题，作为经典dp题，背包可以分为许许多多不同的题型：

1. 01背包问题
2. 完全背包问题
3. 多重背包问题
4. 分组的背包问题

一、01背包问题
作为最简单的背包问题，01背包思路也是最清晰的，也是最长遇见的，后面的背包问题都是由01背包演化而来的，所以01背包掌握非常重要！
01背包的动态转移方程为：（一定不能忘记定义的数组含义）
f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值
f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}
在这个二维数组中for循环的顺序i:1-N，j:0-V，都是从小大排序
因为二维数组的定义占用内存太大，如果题目所需数据过大，会造成极大的不便，不过这样也存在着若干解决方法，最简单的就是在主函数之外进行定义，不过这样并不能从根源解决问题，只是能做到可以运行，没有达到省时的目的，所以我们换另一种思路，是否可以将二维数组更换为一维数组进行。
答案是可以的，但我们需要注意的是，如果我们定义的是一维数组，我们在for循环中j的次序需要改变顺序，由于二维数组中有i的顺序，在每一次的提取前一次的数据有i，但是由于变成一维数组后，缺少了i，也就是每一次在i中的循环，使用的都是新的数据。所以for循环要改变为V-0，从体积从大到小进行不断地重信定义，动态转移方程为:
f[v]=max{f[v],f[v-c[i]]+w[i]}

二、完全背包问题
完全背包问题与01背包问题的区别是，01背包的每个物品只有1个，然而完全背包的物品有无限个，但如果我们通过转化，便可以轻易的找到问题解决的方法，找出动态转移方程和for循环的次序，就可以轻易的拿下完全背包。
优化：
若两件物品i、j满足c[i]<=c[j] 并且w[i]>=w[j]，则将物品j去掉，不用考虑
考虑到第i种物品最多选V/c[i]件，于是可以把第i种物品转化为V/c[i]件费用及价值均不变的物品，然后求解这个01背包问题
for，i:1-N,j: 0-V。
动态转移方程：
f[v]=max{f[v],f[v-cost]+weight
（这里仍然可以使用一维数组储存）
for i=1…N
for v=0…V
f[i][v]=max{f[i-1][v-kc[i]]+kw[i]|0=<k<=V/c[i]}
单独考虑f[i][v]时，二维形式就是：
f[i][v]=max{f[i-1][v-kc[i]]+kw[i]|k=0…m};m=V/c[i]

解析：
f[i][v]只与f[i-1][v]和f[i][v-c[i]]+w[i]有关。
考虑f[i][v]时，由于是从前往后写，一维数组表示的f[v]还没被写入，它表示的是f[i-1][v],而f[v-c[i]]已经被写入，它表示的是f[i][v-c[i]]

一维的
f[v]=max{f[v],f[v-c[i]]+w[i]}

表示的恰好是二维的
f[i][v]=max{f[i-1][v],f[i][v-c[i]]+w[i]}

三、多重背包问题
多重背包问题，可以简单理解01背包中的每个物品都是有限数量个，同样用数组存储。
优化：
用二进制思想。注意这儿要2^k中k的取值。大致取值意思为
k=0;sum=0;cnt=0;
while(1)
if(sum+2^k>n[i]) break; //
zopack[…][cnt++]=2^k;
sum+=2^k;
zopack[…][cnt++]=n[i]-sum; //
这里对于每一个n[i]都有一个zopack[];然后将每一zopack[][]看作01背包的每一个物品就可以按照01背包的思想做了。

四、分组的背包问题
将上面三种情况的背包组合成为一道题中。
算法：
这个问题变成了每组物品有若干种策略：是选择本组的某一件，还是一件都不选。也就是说设f[k][v]表示前k组物品花费费用v能取得的最大权值
状态方程：
f[k][v]=max{f[k-1][v],f[k-1][v-c[i]]+w[i]|物品i属于组k}

伪码：
for 所有的组k
for v=V…0
for 所有的i属于组k
f[v]=max{f[v],f[v-c[i]]+w[i]}
注意：“for v=V…0”这一层循环必须在“for 所有的i属于组k”之外。这样才能保证每一组内的物品最多只有一个会被添加到背包中。

总而言之，遇到背包问题，都是套模板就行，做得越多理解的越方便，希望下一张的练习题自己能做的更好！