动态规划——背包问题

有一个背包，他的容量为w(Capacity)。现在有i中不同的物品，编号为0…n-1，
其中每一件物品的重量为w(i)，价值为v(i)。问可以向这个背包中盛放哪些物品，
使得在不超过背包容量的基础上，物品的总价值最大。

动态转移方程：

把问题直接处理为“是否要装第i个物品的问题”。

dp[i][w]表示总共i个物品，包的限重为w的情况下，最大总价值量的解，那么这个问题的解只有两种可能，就是装入包中的物品中，包括了第i个物品和不包括第i个物品，最后选择的是装入的情况下的最优解，和不装入的情况下的最优解中，更优的那一个。

装入了第i个物品的情况：如果最优解是往包里装入了k个物品，其中最后一个就是第i个物品，那么去掉这个物品后，剩下的k-1个物品，就构成了dp[i-1][w-wi]的最优解（反正法：加入还有其他k-1个的总value更大，那加上第i个物品的总值也会更大）。所以，如果最优解中包括第i个物品，那么最优解就是dp[i-1][w-wi]+vi

没有装入第i个物品的情况：假如最优解往包里装的物品中不包括第i个物品，那么dp[i][w]就等价于dp[i-1][w]，也就是要放到包里的物品，全部都来自前i-1个物品中。

以上分析的前提是基于，第i个物品的重量wi是在背包能承受的范围内的，假如wi>w，就直接排除第i个物品，最优解等于dp[i-1][w]

另外还要注意初始条件。

 

代码：

def backpack(weights, values, W):
    I = len(weights)  # 物品个数
    dp = [[0 for i in range(W+1)] for i in range(I+1)]
    if I*W ==0:
        return 0
    # 边界为0 ，所以从dp[1][1]开始
    for i in range(1,len(dp)):
        for w in range(1, len(dp[0])):
                
            if weights[i-1]>w:
                dp[i][w] = dp[i-1][w]
            else:
                dp[i][w] = max(dp[i-1][w-weights[i-1]]+values[i-1], dp[i-1][w])
    return dp[-1][-1]

 

测试：

weights=[2,2,6,5,4]
values=[3,6,5,4,6]
backpack(weights, values, 10)

output：

15