个人笔记：算法讲座3——背包问题及其变种

本文仅供参考学习使用，谢谢

01背包：

设计一个动态规划问题需要首先搞清楚他的：

1. 同质子结构
2. 状态转移方程
3. 备忘录（即动态规划中动态存储数据的东西）

如果将背包问题用方程 F(w,i) 表示 w 为背包容量，i 为物品个数
则对于每一个物品，只需要考虑装入背包 or 不装入背包这两个情况

对于 F(4,3)=9 I=3(weight=8,value=9)
是由F(4,3) = MAX{ F(4,2) , F(4-1,2)+9 } = 9 得来的
F(w,i) = MAX{ F(w,i-1) , F(w-i.weight,i-1)+i.value }
补充：需要条件判断 w>=i.weight 即w-i.weight>=0

	-∞ (w<0)
f(w,i)=	0 (w=0 or i=0)
	max{ vi+f( w-wi , i-1 ) , f( w , i-1 ) } (w>0 && I>0)

->01背包应用实例

01背包有几个非常严肃的情况

• 如果01背包的备忘录是一个一维数组，那么每一个物品放入时，若正序（即1～W）放入 当前的 第i个物品 会变成完全背包，如果想要避免这个问题。只需要将其倒叙放入（即W～1）状态方程不变。
• 如果01背包的备忘录是一个二维数组，则正序倒叙都可以，都不会演变成完全背包。
• 同理若为二维背包问题，当二维背包的备忘录是一个三位数组时，不会演变成完全背包。当备忘录是一个二维数组时 正序放入物品会演变成完全背包，倒叙则不会。

如下图所示，用一维数组作备忘录，可能出现多次加当前物品的value的情况，这样的话就变成了一个完全背包问题。😏😏😏

完全背包：

1. 物品有无限件
2. 不是放不放，而是放几个的问题（当然有n种物品）

	-∞ (w<0)
f(w,i)=	0 (w=0 or i=0)
	max{ k*vi+f( w- k * wi , i-1 ) , f( w , i-1 ) } (w>0 && I>0 && 0<k<=w / wi )

->完全背包应用实例

多重背包：

1. 第 i 个物品有 n 个
2. 放几个的问题，但不能超过n

	-∞ (w<0)
f(w,i)=	0 (w=0 or i=0)
	max{ k*vi+f(w- k * wi,i-1) , f(w,i-1) } (w>0 && I>0 && 0<k<=min{ni,w/wi) }

分组背包：

1. 物品被分成若干组，每组中的物品相互冲突。
2. 每组中要么选一个，要么一个不选。

	-∞ (w<0)
f(w,i)=	0 (w=0 or i=0)
	max{ max{vj+f( w-wj , i-1 )} , f( w , i-1 ) } (w>0 && I>0 && j 属于 I 组)

二维背包：

顾名思义就是比 01背包 多了一个限制条件比如01背包只有重量限制，二维背包在重量限制的基础上增加一个体积限制。该问题的思路和01背包一样，只不过多增加一维（三维）去理解就可以了。
但是在编写代码的时候我遇到了看不懂的的错误，所以我将三位数组优化成了二维数组去动态存储数据。

->二维背包应用实例