算法笔记——从一道dp题目详解01背包问题

采药

题目描述
辰辰是个很有潜能、天资聪颖的孩子，他的梦想是称为世界上最伟大的医师。为此，他想拜附近最有威望的医师为师。医师为了判断他的资质，给他出了一个难题。医师把他带到个到处都是草药的山洞里对他说：“孩子，这个山洞里有一些不同的草药，采每一株都需要一些时间，每一株也有它自身的价值。我会给你一段时间，在这段时间里，你可以采到一些草药。如果你是一个聪明的孩子，你应该可以让采到的草药的总价值最大。”
如果你是辰辰，你能完成这个任务吗？
输入
输入的第一行有两个整数T（1 <= T <= 1000）和M（1 <= M <= 100），T代表总共能够用来采药的时间，M代表山洞里的草药的数目。接下来的M行每行包括两个在1到100之间（包括1和100）的的整数，分别表示采摘某株草药的时间和这株草药的价值。
输出
输出只包括一行，这一行只包含一个整数，表示在规定的时间内，可以采到的草药的最大总价值。

思路：01背包问题

1、定义状态：我们需要定义一个二维数组dp，其中dp[i][j]表示前i个物品中挑选若干个物品（可以不选），总重量不超过j的情况下能够获得的最大价值。这个定义下，dp[M-1][T]即为所求。

2、状态转移方程：根据问题的规律，我们可以推导出状态之间的转移关系。对于第i个物品，有两种情况，一种是不选，即dp[i][j] = dp[i-1][j]；另一种是选，即dp[i][j] = dp[i-1][j-w[i]] + v[i]（前提是j>=w[i]），选与不选在于看这两种情况的dp[i][j]谁更大。其中w[i]和v[i]分别表示第i个物品的重量和价值。这样，dp[i][j]仅仅取决于dp[i-1][j]和dp[i-1][j-w[i]]，而不关心这两个数据是怎么来的，符合dp无后效性的特点。

从终点向回递推，要想知道前i个物品中挑选若干个物品（可以不选），总重量不超过j的情况下能够获得的最大价值。把前i个物品所有挑选方式分为两类，一种是不挑选第i个，一种是挑选第i个。现在就要求出这两种情况下，各自的最大价值（满足重量要求的），然后选最大价值更大的。而对不挑选第i个这一大类，又可以分为挑选第i-1个和不挑选第i-1个，那么我就想知道挑选第i-1个和不挑选第i-1个，各自的最大价值（满足重量要求的），然后选最大价值更大的。对挑选第i个的一大类是同理的。这种分类的方式可以不断进行下去，随着分类越来越细，需要关注的物品越来越少直到只剩一个，而对重量的要求也会随之变化。而对于最简单的情况，可以做出直接判断。得到结果后，再一步步“逆推”回去，就可以得到最终结果。也就是说，通过这样的递推路径（不断增大关注物品的范围，实时改变重量要求），就可以顺利的接近真相，这每一步的分类也能做到不重不漏。

那么dp数组就需要两个维度，物品的范围（0～i）和重量的要求（不妨取遍0～capacity）。dp二维数组的每一个位置都对应着一种小分类的答案，即前i个物品中挑选若干个物品（可以不选），总重量不超过j的情况下能够获得的最大价值。

3、边界条件：确定问题的初始状态。对于第0个物品，若重量要求j不比它的重量小，则选取它，否则就不选取。所以dp[0][j] = max(0, j - w[0])。对于第二个物品，有两种选择，即选取或不选取第一个物品，所以dp[1][j] = max(dp[0][j], dp[0][j-w[1]] + v[1])。

4、自底向上迭代：从最小的子问题开始，逐步计算出所有子问题的解，并将结果存储在二维表中。最后，根据表中得到的结果，计算出原问题的解。

代码

T,M=map(int,input().split())
w=[]
v=[]
for _ in range(M):
    weight,value=map(int,input().split())
    w.append(weight)
    v.append(value)
#初始化
dp=[[0]*(T+1) for line in range(M)]
#边界条件
for y in range(T+1):
    dp[0][y]=max(0,y-w[0])
for i in range(M):
    for j in range(T+1):
        if j<w[i]:
            dp[i][j]=dp[i-1][j]#不能选第i个
        else:
            dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+v[i])#选不选第i个
print(dp[M-1][T])