背包问题九讲的总结

0/1背包问题

0/1背包的问题在于每个物品只有1件，每件物品只能选择放或者不放，于是就有了动态规划的解法：

for(int i = 1; i <= m; ++i) {
            for(int j = 1; j <=n j++) {
	            f[i][j]=max(f[i−1][j],f[i−1][j−c[i]]+w[i])
            }
 }

f[i][j] 表示 前i个物品放到容量为j的背包的最大价值，直接聊聊优化空间的事情，这里注意表达式，我们要优化的就是表达式中的一维数组，也就是i所在的坐标，从表达式可以看到这里只要保证求解i个物品时，i-1个物品的状态没变就行，怎么让这个状态不变呢？那就只能是更新物品时逆序更新，这样每一轮的更新物品后，

​for (int i = 1; i <= n; i++)
    for (int j = V; j >= 0; j--)
        f[j] = max(f[j], f[j - c[i]] + w[i]);

上述代码的意思就是：容量为j的袋子可以放的最多价值的物品，当j从V到0的时候，放第一个物品，每个容量可以最多价值f(j)，最后不停的增加物品，来更新f(j)的值。

完全背包问题

题目：有N 种物品和一个容量为V的背包，每种物品都有无限件可用。第i 种物品的费用是c [ i ] ，价值是w [ i ] 。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

那么还是回到二维数组的转移法方程：

f[i][j]=max(f[i−1][j−k∗c[i]]+k∗w[i])   ∣0≤k∗c[i]≤j

这说明01背包问题的方程的确是很重要，可以推及其它类型的背包问题。我们继续改进这个复杂度。这里唯一的特点就是物品可以无限取，所以我们将容量为V的背包除以每一个物品的重量，这样可以得到该物品最多可以装进背包的个数，然后这个问题就变为了0/1背包问题，只不过物品数目增加了，然后就利用0/1背包的公式来求解，

​for (int i = 1; i <= n; i++)
    for (int j = V; j >= 0; j--)
        f[j] = max(f[j], f[j - c[i]] + w[i]);

公式没变，物品数量变多。

关于二进制提高速度

其实主要思想是减少相同物品的数量，比如背包容量为10，有一个物品中重量为1，价值为2，可以选择这个物品10个，得到价值20，如果把这个物品扩展到10个，形成0/1背包问题，那么物品数量有点多，那么有没有减少物品数量的办法，不需要10个相同的物品呢？这时候就采取二进制方法，利用二进制的特点，减少物品数量，比如111这个二进制数，表示的是7，第一个1表示4，第二个1表示2，第三个1表示1，那么由这三个物品，1、2、4就可以组合成0~7的所有数字，也就是需要1、2、4、8就可以满足10个物品的组合，根本不需要10个重量为1、价值为2的物品，只需要4个物品，分别是：

• 重量为1，价值为2
• 重量为2，价值为4
• 重量为4，价值为8
• 重量为8，价值为16

这样也提高了速度。

参考博客

背包九讲——全篇详细理解与代码实现