P01: 01背包问题
题目
有N件物品和一个容量为V的背包。第i件物品的费用是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。
基本思路
这是最基础的背包问题，特点是：每种物品仅有一件，可以选择放或不放。
用子问题定义状态：即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。
则其状态转移方程便是：f[i][v] = max{ f[i-1][v] , f[i-1][v-c[i]] + w[i]}。
这个方程非常重要，基本上所有跟背包相关的问题的方程都是由它衍生出来的。所以有必要将它详细解释一下：“将前i件物品放入容量为v的背包中”这个子问题。若只考虑第i件物品的策略（放或不放），那么就可以转化为一个只牵扯前i-1件物品的问题。
如果不放第i件物品，那么问题就转化为“前i-1件物品放入容量为v的背包中”；
如果放第i件物品，那么问题就转化为“前i-1件物品放入剩下的容量为v-c[i]的背包中”，此时能获得的最大价值就是f [i-1][v-c[i]]再加上通过放入第i件物品获得的价值w[i]。
注意f[i][v]有意义当且仅当存在一个前i件物品的子集，其费用总和为v。所以按照这个方程递推完毕后，最终的答案并不一定是f[N] [V]，而是f[N][0..V]的最大值。如果将状态的定义中的“恰”字去掉，在转移方程中就要再加入一项f[i][v-1]，这样就可以保证f[N] [V]就是最后的答案。至于为什么这样就可以，由你自己来体会了。
这里的第二层循环正序逆序皆可以。
1 for (int i=1; i<=n; ++i) 2 { 3 for (int j=v; j>=0; --j) 4 { 5 if(c[i]<=j)//如果当前物品可以放入当前空间的背包 6 { 7 f[i][j]=max(f[i-1][j],f[i-1][j-c[i]]+w[i]); 8 } 9 else 10 { 11 f[i][j]=f[i-1][j];//如果当前物品放不进去，那么继承前i个物品在当前空间大小时的价值 12 } 13 14 } 15 }
优化空间复杂度
以上方法的时间和空间复杂度均为O(N*V)，其中时间复杂度基本已经不能再优化了，但空间复杂度却可以优化到O(V)。
以上是用二维数组存储的，其实还可以用一维数组存储进行空间优化(滚动数组)
从上面计算f[i][j]可以看出，在计算f[i][j]时只使用了f[i-1][0……j]，所以说并没有使用其他子问题，所以说在存储子问题解的时候，只用存储f[i-1]的子问题解即可；所以说可以用一个一维数组替换掉那个二维数组，一个存储子问题，一个存储正在解决的子问题。
我们用f[v]表示当前状态是容量为v的背包所得价值
先考虑上面讲的基本思路如何实现，肯定是有一个主循环i=1..N，每次算出来二维数组f[i][0..V]的所有值。那么，如果只用一个数组f [0..V]，能不能保证第i次循环结束后f[v]中表示的就是我们定义的状态f[i][v]呢？f[i][v]是由f[i-1][v]和f[i-1] [v-c[i]]两个子问题递推而来，能否保证在推f[i][v]时（也即在第i次主循环中推f[v]时）能够得到f[i-1][v]和f[i-1][v -c[i]]的值呢？事实上，这要求在每次主循环中我们以v=V..0的顺序推f[v]，这样才能保证推f[v]时f[v-c[i]]保存的是状态f[i -1][v-c[i]]的值。
关于第二层循环为什么需要逆序？
不妨手写一组数据
背包容积 8
物品序号 1
体积 4
价值 3
现在我们用正序遍历一遍
当i = 1时
f[0] = 0 ,f[1] = 0,f[2] = 0,f[3] =0 (显然当前容积小于该物品的体积，自然就放不进去，统统初始化为0)
f[4] = max( f[4],f[0]+3) 即f[4] = max(0,0+3) = 3;
f[5] = max( f[5],f[1]+3) 即f[5] = max(0,0+3) = 3;
f[6] = max( f[6],f[2]+3) 即f[6] = max(0,0+3) = 3;
f[7] = max( f[7],f[3]+3) 即f[7] = max(0,0+3) = 3;
f[8] = max( f[8],f[4]+3) 即f[8] = max(0,3+3) = 6;
大家快看!!!!!!!!!!!!
有奇怪的事发生了，人群之中竟然钻出了两个.....两个f[4]!!!
那么问题来了，还记得01背包的性质么？这个序号为1的物品竟然用了两次!!!
相信已经有许多人发现了问题的真相了，不过不懂也不要紧，让我们来看看逆序遍历后的结果。
f[8] = max(f[8],f[4]+3)即f[8] = max(0,0+3) = 3;
f[7] = max(f[7],f[3]+3)即f[7] = max(0,0+3) = 3;
f[6] = max(f[6],f[2]+3)即f[8] = max(0,0+3) = 3;
f[5] = max(f[5],f[1]+3)即f[5] = max(0,0+3) = 3;
f[4] = max(f[4],f[0]+3)即f[4] = max(0,0+3) = 3;
f[3] = 0,f[2] = 0,f[1] = 0,f[0] = 0
不知道大家发现没有，逆序遍历在向前滚动的时候并没有对更小体积的清况进行更新，而正序时却对同一件物品进行了多次操作。
大家请看更新过程
f[4] -> 3
f[4] -> f[8]
我们先更新了f[4](0 -> 3)
却又用了已经被更新过的f[4] 来更新 没有更新过的f[8]
就相当于容积为4时已经有了物品1，而在容积为8时却还要再装一件物品1，相信如果容积更大，f[4[也会不断去更新别人，这显然是违背题意的。
1 for(i=1;i<=n;i++) 2 { 3 for(j=V;j>=0;j--) 4 { 5 if(j>=c[i]) 6 { 7 dp[j]=max(dp[j-c[i]+w[i],dp[j]); 8 } 9 } 10 }
其中的f[v]=max{f[v],f[v-c[i]]}一句恰就相当于我们的转移方程f[i][v]=max{f[i-1][v],f[i- 1][v-c[i]]}，因为现在的f[v-c[i]]就相当于原来的f[i-1][v-c[i]]。如果将v的循环顺序从上面的逆序改成顺序的话，那么则成了f[i][v]由f[i][v-c[i]]推知，与本题意不符，但它却是另一个重要的背包问题P02完全背包最简捷的解决方案，因为完全背包不会记物品的个数，爱装几个就装几个。
总结
01背包问题是最基本的背包问题，它包含了背包问题中设计状态、方程的最基本思想，另外，别的类型的背包问题往往也可以转换成01背包问题求解。故一定要仔细体会上面基本思路的得出方法，状态转移方程的意义，以及最后怎样优化的空间复杂度。
P02: 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。
基本思路
这个问题非常类似于01背包问题，所不同的是每种物品有无限件。
也就是从每种物品的角度考虑，与它相关的策略已并非取或不取两种，而是有取0件、取1件、取2件……等很多种。
如果仍然按照解01背包时的思路，令f[i][v]表示前i种物品恰放入一个容量为v的背包的最大权值。仍然可以按照每种物品不同的策略写出状态转移方程，像这样：f[i][v]=max{f[i-1][v-k*c[i]]+k*w[i]|0<=k*c[i]<= v}。这跟01背包问题一样有O(N*V)个状态需要求解，但求解每个状态的时间则不是常数了，求解状态f[i][v]的时间是O(v/c[i])，总的复杂度是超过O(VN)的。
1 for (i = 1; i < n; i++) 2 { 3 for (j = 1; j <= v; j++) 4 { 5 for (k = 0; k*c[i] <= j; k++) 6 { 7 if(c[i]<=j)///如果放得下 8 { 9 f[i][j]=max{f[i][j],f[i-1][j - k * c[i]] + k * w[i]}; 10 } 11 else ///如果放不下 12 { 13 f[i][j]=f[i-1][j]; 14 } 15 } 16 } 17 }
将01背包问题的基本思路加以改进，得到了这样一个清晰的方法。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。但我们还是试图改进这个复杂度。
一个简单有效的优化
完全背包问题有一个很简单有效的优化，是这样的：若两件物品i、j满足c[i]<=c[j]且w[i]>=w[j]，则将物品j去掉，不用考虑。这个优化的正确性显然：任何情况下都可将价值小费用高得j换成物美价廉的i，得到至少不会更差的方案。对于随机生成的数据，这个方法往往会大大减少物品的件数，从而加快速度。然而这个并不能改善最坏情况的复杂度，因为有可能特别设计的数据可以一件物品也去不掉。
转化为01背包问题求解
既然01背包问题是最基本的背包问题，那么我们可以考虑把完全背包问题转化为01背包问题来解。最简单的想法是，考虑到第i种物品最多选V/c [i]件，于是可以把第i种物品转化为V/c[i]件费用及价值均不变的物品，然后求解这个01背包问题。这样完全没有改进基本思路的时间复杂度，但这毕竟给了我们将完全背包问题转化为01背包问题的思路：将一种物品拆成多件物品。
更高效的转化方法是：把第i种物品拆成费用为c[i]*2^k、价值为w[i]*2^k的若干件物品，其中k满足c[i]*2^k<V。这是二进制的思想，因为不管最优策略选几件第i种物品，总可以表示成若干个2^k件物品的和。这样把每种物品拆成O(log(V/c[i]))件物品，是一个很大的改进。但我们有更优的O(VN)的算法。 * O(VN)的算法这个算法使用一维数组。
1 for (int i = 1; i <= n; ++i) 2 { 3 for (int j = w[i]; j <= v; ++j) 4 { 5 f[j] = max(f[j], f[j - c[i]] + v[i]); 6 } 7 }
你会发现，这个代码与P01的代码只有v的循环次序不同而已。为什么这样一改就可行呢？首先想想为什么P01中要按照v=V..0的逆序来循环。这是因为要保证第i次循环中的状态f[i][v]是由状态f[i-1][v-c[i]]递推而来。换句话说，这正是为了保证每件物品只选一次，保证在考虑“选入第i件物品”这件策略时，依据的是一个绝无已经选入第i件物品的子结果f[i-1][v-c[i]]。而现在完全背包的特点恰是每种物品可选无限件，所以在考虑“加选一件第i种物品”这种策略时，却正需要一个可能已选入第i种物品的子结果f[i][v-c[i]]，所以就可以并且必须采用v= 0..V的顺序循环。这就是这个简单的程序为何成立的道理。
这个算法也可以以另外的思路得出。例如，基本思路中的状态转移方程可以等价地变形成这种形式：f[i][v]=max{f[i-1][v],f[i][v-c[i]]+w[i]}，将这个方程用一维数组实现，便得到了上面的伪代码。
总结
完全背包问题也是一个相当基础的背包问题，它有两个状态转移方程，分别在“基本思路”以及“O(VN)的算法“的小节中给出。希望你能够对这两个状态转移方程都仔细地体会，不仅记住，也要弄明白它们是怎么得出来的，最好能够自己想一种得到这些方程的方法。事实上，对每一道动态规划题目都思考其方程的意义以及如何得来，是加深对动态规划的理解、提高动态规划功力的好方法。
P03: 多重背包问题
题目
有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用，每件费用是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。
基本算法
这题目和完全背包问题很类似。基本的方程只需将完全背包问题的方程略微一改即可，因为对于第i种物品有n[i]+1种策略：取0件，取1件……取 n[i]件。令f[i][v]表示前i种物品恰放入一个容量为v的背包的最大权值，则：f[i][v] = max { f[i-1] [v- k*c[i] ]+ k*w[i] |0<=k<=n[i] }。复杂度是O(V*∑n[i])。
转化为01背包问题
另一种好想好写的基本方法是转化为01背包求解：把第i种物品换成n[i]件01背包中的物品，则得到了物品数为∑n[i]的01背包问题，直接求解，复杂度仍然是O(V*∑n[i])。