0、1背包问题 完全背包

0/1背包

给定 N 件物品，第i个物品的重量为 weight[i]，价值为value[i]。现挑选物品放入背包中，假定背包能承受的最大重量为 V，问应该如何选择装入背包中的物品，使得装入背包中物品的总价值最大？

• “已经处理的物品数” 作为DP的阶段，
• 以“背包中已经放入的物品总体积”作为附加维度

F[i, j] 表示从前i个物品中选出了总体积为j的物品放入背包
$$F[i,j]=\max \{\begin{array}{l}F[i-1,j]不选用第i个物品\\ F[i-1,j-value[i]]+weight[i]ifj>=weight[i]选用第i个物品\end{array}$$初值：F[0,0] = 0，其余均为负无穷，目标max{F[N, j]} 0<=j<=V

https://www.cnblogs.com/kkbill/p/12081172.html
https://labuladong.github.io/ebook/%E5%8A%A8%E6%80%81%E8%A7%84%E5%88%92%E7%B3%BB%E5%88%97/%E8%83%8C%E5%8C%85%E9%97%AE%E9%A2%98.html

//  时间O(N*V) 空间O(N*V)
    public int maxValue1(int[] weight, int[] value, int V) {
        int N = weight.length;
        if (N == 0) return 0;

        int[][] dp = new int[N+1][V+1];

//dp[i][w] 的定义如下：
// 对于前 i 个物品，当前背包的容量为 w，这种情况下可以装的最大价值是 dp[i][w]
        for (int i = 1; i <= N; i++) {
            for (int j = 1; j <= V; j++) {
                if (j - weight[i-1] < 0) {
                    // 这种情况下只能选择不装入背包
                    dp[i][j] = dp[i-1][j];
                } else {
                    // 装入或不装入，择优
                    dp[i][j] = Math.max(dp[i-1][j-weight[i-1]] + value[i-1],
                                        dp[i-1][j]);
                   // 使用的是i-1阶段的j-weight[i-1],j                
                }
            }
        }

        return dp[N][V];
    }

    //  时间O(N*V) 空间O(V)
    public int maxValue2(int[] weight, int[] value, int V) {
        int N = weight.length;

        int[] dp = new int[V+1];

        for (int i = 1; i <= N; i++) {
            for (int j = V; j >= 1; j--) {   //
                if (j - weight[i-1] < 0) {
                    dp[j] = dp[j];
                } else {
                    dp[j] = Math.max(dp[j],
                                     dp[j-weight[i-1]] + value[i-1]);
                }
            }
        }
        return dp[V];
    }

    //  时间O(N*V) 空间O(V)
    public int maxValue3(int[] weight, int[] value, int V) {
        int N = weight.length;

        int[] dp = new int[V+1];

        for (int i = 1; i <= N; i++) {
            for (int j = V; j >= weight[i-1]; j--) {  // 倒序
                dp[j] = Math.max(dp[j], dp[j-weight[i-1]] + value[i-1]);
                // 如果正序的话，使用的j-weight[i-1]，就是i阶段的而不是i-1阶段的了
            }
        }
        return dp[V];
    }

完全背包

给定 N 件物品，第i个物品的重量为 weight[i]，价值为value[i]，并且有无数个。现挑选物品放入背包中，假定背包能承受的最大重量为 V，问应该如何选择装入背包中的物品，使得装入背包中物品的总价值最大？

F[i,j]表示从前i种物品中选出了总质量为j的物品放入背包，物品的最大价值和。
$$F[i,j]=\max \{\begin{array}{l}F[i-1,j]尚未选过第i种物品\\ F[i-1,j-value[i]]+weight[i]ifj>=weight[i]从第i种物品中选一个\end{array}$$初值：F[0,0] = 0，其余均为负无穷，目标max{F[N, j]} 0<=j<=V

 for i ← 1 to N 
 		for v ← Ci to V 
 				F[i, v] ← max{F[i − 1, v], F[i − 1, v − Ci] + Wi}


def CompletePack(F, C, W) 
	for v ← C to V
		 F[v] ← max{F[v], f[v − C] + W}

多重背包

给定 N 件物品，第i个物品的重量为 weight[i]，价值为value[i]，并且有nums[i]个。现挑选物品放入背包中，假定背包能承受的最大重量为 V，问应该如何选择装入背包中的物品，使得装入背包中物品的总价值最大？

因为对于第 i 种物品有 nums[i]+ 1 种策略:取 0 件,取 1 件……取 nums[i]件。
令 F[i, v] 表示前 i 种物品恰放入一个容量为 v 的背包的最大价值,
则有状态转移方程:
F [ i , v ] = max ⁡ { F [ i − 1 , v − k ∗ w e i g h t [ i ] ] + k ∗ v a l u e [ i ]        ∣ 0 ≤ k ≤ M i } . F[i,v]=\max\left\{ F[i − 1, v − k ∗ weight[i]] + k ∗ value[i]~~~~~~| 0 ≤ k ≤ Mi\right\}. F[i,v]=max{F[i−1,v−k∗weight[i]]+k∗value[i]      ∣0≤k≤Mi}.复杂度是 O(V Σnums[i])。

分组背包

给定 N 件物品，第i组有个nums[i]个物品。第i组的第j个物品的重量为 weight[i][j]，价值为value[i][j]。现挑选物品放入背包中，假定背包能承受的最大重量为 V，要求选择若干个物品放入背包，使得每组之多选择一个物品并且物品总质量不超过V的前提下，使得装入背包中物品的总价值最大？

$$F[i,j]=\max \{\begin{array}{l}F[i-1,j]不选第i组物品\\ {\max }_{1<=k<=nums[i]}F[i-1,j-weight[i][k]]+value[i][k]ifj>=weight[i]选第组的某个物品k\end{array}$$

和前几个背包模型一样，我们可以省略掉F数组的第一维，用j的倒叙循环来空控制“阶段i”的状态只能从“阶段i-1”转移而来。

for (int i = 1; i <= N; i++) 
	for (int j = V; j >= 0; j--)
		for (int k = 1; k <= nums[i]; k++)
			if (j >= weight[i][k])
				dp[j] = Math.max(dp[j], dp[j-weight[i][k]] + value[i][k];

• 除了倒序循环j之外，对于每一组内nums[i]个物品的循环k应该放在j的内层。
• 从背包的角度看，这是因为每组内之多选择一个物品，若把k置于j的外层，就会类似于多重背包，每组物品在F数组上的转移会产生积累，最终可以选择超过1个物品。
• 从动态规划的角度，i是“阶段”，i和j共同构成“状态”，而k是“决策”----在第i组内使用哪一个物品，这三者的顺序绝对不能混淆。