0/1背包问题

动态规划法：

动态规划法采用分布决策，每一步的决策依赖于子问题的解，所以该方法求解是自底向上的 。

两要素：最优子结构特性、子问题重叠

最优子结构特性：较小子问题的最优解与较大子问题的最优解之间存在数值关系 。

子问题重叠：自底向上计算，保存子问题的解，从而避免重复计算这些子问题 。

0/1背包问题描述：

已知载重为M的背包和n件物品，物品编号为0至n-1，第i件物品的重量为wi，将第i件物品放入背包将获益pi，求一种最佳装载方案是收益最大 。

思路：

该问题的最优子结构：若{x0,x1,...,xn-1}是该问题的最优解，则{x1,x2,...,xn-1}必然是其子问题的最优解 。（反证法）

设f(j,X)是当背包载重为X,可供选择的物品编号为0,1，...，j时的最优值，则f(n-1,M)=max{f(n-2,M),f(n-2,M-wn-1)+pn-1} ；

对于任意的j，有f(j-1,M)=max{f(j-1,M),f(j-1,M-wn-1)+pn-1} ；

递归代码实现如下：

public int KNap(int m, int n, int[] w, int[] p) {
	if (n > 0)
		return f(n - 1, m, w, p);
	else
		return -1;
}


public int f(int j, int x, int[] w, int[] p) {
	// 当前载重仍大于0，但已没有物品
	if (j < 0)
		return ((x < 0) ? -1 : 0);
	// 第j个装不下
	if (x < w[j])
		return f(j - 1, x, w, p);
	else {
		// 第j个不装入包
		int a = f(j - 1, x, w, p);
		// 第j个装入包
		int b = f(j - 1, x - w[j], w, p) + p[j];
		if (a > b) {
			return a;
		} else {
			return b;
		}
	}
}

循环遍历代码如下：

public int BackPack_Solution(int m, int n, int[] w, int[] p) throws InterruptedException {
	// c[i][v]表示前i件物品恰放入一个重量为m的背包可以获得的最大价值
	int c[][] = new int[n + 1][m + 1];
	// j=0，即载重为0，收益为0
	for (int i = 0; i < n + 1; i++)
		c[i][0] = 0;
	// i=0,即物品为0，收益为0
	for (int j = 0; j < m + 1; j++)
		c[0][j] = 0;


	int cmax = 0;
	for (int i = 1; i < n + 1; i++) {
		for (int j = 1; j < m + 1; j++) {
			// 当物品为i件重量为j时，如果第i件的重量(w[i-1])小于重量j时，c[i][j]为下列两种情况之一：
			// (1)物品i不放入背包中，所以c[i][j]为c[i-1][j]的值
			// (2)物品i放入背包中，则背包剩余重量为j-w[i-1],所以c[i][j]为c[i-1][j-w[i-1]]的值加上当前物品i的价值
			if (w[i - 1] <= j) {
				c[i][j] = Math.max(c[i - 1][j], c[i - 1][j - w[i - 1]] + p[i - 1]);
				cmax = c[i][j];
			} else {
				c[i][j] = c[i - 1][j];
			}
		}
	}
	return cmax;
}