lintcode92背包问题 空间复杂度O(m)

题目

在n个物品中挑选若干物品装入背包，最多能装多满？假设背包的大小为m，每个物品的大小为A[i]

• 样例
  Example 1:
  Input: [3,4,8,5], backpack size=10
  Output: 9
  Example 2:
  Input: [2,3,5,7], backpack size=12
  Output: 12
• 挑战
  O(n x m) time and O(m) memory.
  O(n x m) memory is also acceptable if you do not know how to optimize memory.

分析

1. 背包问题是经典的动态规划问题；动态规划是将一个大的最优问题分解为众多子最优问题。
2. 设计子问题应趋向于简单。一维角度可以从背包容量进行分解或者从物品的数目进行分解。再次深入分析一下相邻两个子问题之间的关系：对于有n个物品的最优解dp[n]，考虑到前[n-1]个物体中放入的物品可能占据多种不同的背包容量，导致第n个物体有能放入和不能放入的不确定情况，即，利用一维问题空间无法解决该最优化问题。
3. 通过2可知，子问题需要考虑：背包剩余容量（已使用容量） 和 物品数目增长。
4. 设 $dp[i][j]$表示在背包容积设定为$j$的情况下，前$i$个物品所能够装的最大体积；
5. 在已知前n-1个物品在不同容积限定下的最优解情况下，对于即将要考虑的第n个物体只有能 放入背包和不能放入背包两种情况，则
   当第n个物体不能放入背包时，背包容积不变：
   $$dp[n][k]=dp[n-1][k]$$
   当第n个物体能放入背包时，考虑前n-1个物体占用的体积（从1到m)：
   $$ma{x}_{(0<k<m)}(dp[n-1][k]+A[n]）$$
   即，状态转移方程为：
   $$dp[i][m]=ma{x}_{(0<k<m)}(if(m>A[i])then(dp[i-1][k]+A[i]）)$$

即：当动态规划执行到第3个物品的时候，在容积为3的时候，考虑前3个物品在容积为（1~3）的限制下的最优解，并计算在不同容积限制下第四个物品能否放入，取所有情况下的最优解为$dp[4][3]$的解。这就称动态规划的一个定理：问题的最优解是由子问题的最优解组成的。

代码

利用二维数组，运算速度会比用vecor<vector > 的速度快；
int *dp = new intm+1; 将会执行默认初始化，将数组的每一位置为0；

class Solution {
public:
    /**
     * @param m: An integer m denotes the size of a backpack
     * @param A: Given n items with size A[i]
     * @return: The maximum size
     */
    int backPack(int m, vector<int> &A) {
        // write your code here
        int size = A.size(), i = 0, j = 0;
        if(size <= 0) {
            return 0;
        }
        int *dp = new int[m+1]();
        for(i=0; i<size; i++) {
            for(j=m; j>=1; j--) {
                if(j >= A[i]) {
                    int temp= dp[j-A[i]] + A[i];
                    dp[j] = (dp[j]>temp)?dp[j]:temp;
                }
            }
        }
        return dp[m];
        
    }
};