完全背包问题

完全背包的概念

完全背包问题与01背包的概念大体相同，二者最大的不同是：01背包问题中每件物品的个数只有一个，而在完全背包中物品的个数是无限个。也就是说我们在选择物品时，同一种物品我们可以多次选择以得到最优解。

问题分析

首先我们还是定义一个dp[i][j]数组用来记录状态,i表示第几件物品，j表示背包的容量。同样我们也分为两种情况：

1. 不放入第i件物品，也就是dp[i-1][j]这与01背包相同。
2. 我们选择放入第i件物品，这种情况下两种背包问题就不同之处了，01背包的状态方程是：

dp[i][j] = max(dp[i-1][j],dp[i-1][j-w[i]]+v[i])

而完全背包的状态方程是：

dp[i][j] = max(dp[i-1][j],dp[i][j-w[i]]+v[i])

不同之处在于后面一个是dp[i-1]，一个是dp[i]。因为完全背包中每种物品有无限个，我们放入过这种物品后还可以继续放入这种物品，所以他的状态是由他自己这种物品转移过来，而不是从上一种物品转移，所以是dp[i]。

对状态方程进行优化处理

与01背包类似，我们也可以对上面的状态方程进行空间优化。不同的是01背包中是反向枚举，而完全背包是正向枚举。因为01背包中状态来自上一种物品，我们要避免上一层被覆盖，完全背包中状态来自同种物品，我们需要覆盖。

直接上代码

    for(int i=1;i<=n;i++)
    {
        for(int j=w[i];j<=m;j++)//注意是正向枚举！
        {
            dp[j] = max(dp[j],dp[j-w[i]]+v[i]); 
        }
    }

另一种分析

我们从第i件物品放多少件出发，01背包只有放0件和放1件，而这里是0件，1件…直到超过限重（k>j/w[i]），我们可以推出状态方程：

dp[i][j] = max(dp[i-1][j],dp[j-k*w[i]]+k*v[i])//k为装入第i种物品的件数

这种方法我们也可以进行空间优化：

    for(int i=1;i<=n;i++)//物品
    {
        for(int j=m;j>=w[i];j--)//背包容量,必须反向枚举！
        {
            for(int k=0;k<=j/w[i];k++)//k为物品放入的个数
            {
                dp[j] = max(dp[j],dp[j-k*w[i]]+k*v[i]);
            }
        }
    }

例题

链接: link.

#include <iostream>
#include <algorithm>
#include <string.h>

using namespace std;

int w[510],v[510],dp[50010];

int main()
{
    int t;
    cin>>t;
    while(t--)
    {
        memset(dp,0,sizeof(dp));
        int Empty,Full,n,m;
        cin>>Empty>>Full>>n;
        m = Full-Empty;
        for(int i=1;i<=n;i++)
            cin>>v[i]>>w[i];
        for(int i=0;i<=m;i++)
            dp[i] = 100000000;//题目 
        dp[0] = 0;
        for(int i=1;i<=n;i++)
        {
            for(int j=w[i];j<=m;j++)
            {
                dp[j] = min(dp[j],dp[j-w[i]]+v[i]);//题目求的是最小值
            }
        }
        if(dp[m]==100000000)
           cout<<"This is impossible."<<endl;
        else
           cout<<"The minimum amount of money in the piggy-bank is "<<dp[m]<<"."<<endl;
    }
    return 0;
}