多维多重背包问题_满满干货！背包问题全总结（带c++源码）

目录：

• 动态规划简介
• 0-1 背包问题
• 完全背包问题
• 多重背包问题
• 混合背包问题
• 二维（多维）费用背包问题
• 分组的背包问题
• 有依赖的背包问题

动态规划简介

在学习背包问题之前需要对动态规划有一定的了解 。一般来说，当一个最优决策问题可以划分成规模更小的子问题，且具有最优子结构（即全局的最优解包含了子问题的最优解），则可以考虑用动态规划算法。动态规划的实质是分治思想和解决冗余，因此，动态规划是一种将问题实例分解为更小的、相似的子问题，并存储子问题的解而避免计算重复的子问题，以解决最优化问题的算法策略。由此可知，动态规划法与分治法和贪心法类似，它们都是将问题实例归纳为更小的、相似的子问题，并通过求解子问题产生一个全局最优解。动态规划法的关键就在于，对于重复出现的子问题，只在第一次遇到时加以求解，并把答案保存起来，让以后再遇到时直接引用，不必重新求解。

动态规划算法最重要的便是寻找状态转移方程，即多段决策过程的递推关系。关于动态规划的更多内容，我们以后会再总结。

今天我们来学习动态规划的经典应用问题：背包问题。本文是对网上流传多年的《背包问题九讲》进行纠错和补充，把其中讲的模糊的地方清晰化，并加入了一些例题用c++实现。 文中出现的所有代码均为本人编写 ，欢迎指正。

• 0-1 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价值总和最大。

把0-1背包问题抽象化（X1，X2，…，Xn，其中 Xi 取0或1，表示第 i 个物品选或不选），Vi表示第 i 个物品的价值，Wi表示第 i 个物品的体积（重量）；

b) 建立模型，即求max(V1X1+V2X2+…+VnXn)；

c) 约束条件，W1X1+W2X2+…+WnXn<capacity；

d) 定义V(i,j)：当前背包容量 j，前 i 个物品最佳组合对应的价值；

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”，价值为f[i-1][v]；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]。

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)。

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。由于我们在计算f[i][v]时要用到f[i-1][v]和f[i-1][v-c[i]],因此要保证合适的计算顺序。

如果只用一个数组f[0..V]，如何保证第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？事实上，这要求在每次主循环中我们以v=V..0的顺序（逆序）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。伪代码如下：

for i=1..N
       for v=V..0
             f[v]=max{f[v],f[v-c[i]]+w[i]};//f[v]初始值为？

这段程序中，i从小往大递增，对应的分f[v]其实隐式的具有i这一轮次信息，即第i 轮迭代完成后f[v]就是之前的f[i][v]。

其中的f[v]=max{