【背包九讲（二）】完全背包问题

1. 完全背包问题

1.0 题目

有 $N$ 种物品和一个容量是 $V$ 的背包，每种物品都有无限件可用。第 $i$ 种物品的体积是 $v_i$，价值是 $w_i$。

求解： 将哪些物品装入背包，可使这些物品的总体积不超过背包容量，且总价值最大。输出该最大价值。

【输入格式】
第一行两个整数，N，V，用空格隔开，分别表示物品数量和背包容积。
接下来有 N 行，每行两个整数 vi,wi，用空格隔开，分别表示第 i 件物品的体积和价值。

【输入样例】
4 5
1 2
2 4
3 4
4 5


【输出格式】
输出一个整数，表示最大价值。

【输出样例】
10

AcWing：3. 完全背包问题

1.1 解法一（不建议）

完全背包问题与 01背包问题 的区别就是 —— 完全背包问题中，每一件物品都可以选多次。

在01背包问题的一维解法中，状态转移为：

dp[j] = Math.max(dp[j], dp[j - items[i][0]] + items[i][1]);

表示：取第 i 个物品时，枚举 背包容量 j ∈ [ 不含第i个背包的剩余容量 , maxVolumn] 下的最大价值。

对于完全背包问题，一个简单的思路是：

直接在01背包的一维 dp 的基础上，再在内部增加一个 for 循环，决定每次加多少个（k 个）物品 i 。

（其中 k * i的体积 < maxVolumn ）

代码

// 愚蠢解法
private int solution(int num, int maxVolumn, int[][] items) {
        if (num == 1 && items[0][1] <= maxVolumn) return items[1][1];
        if (num == 1) return 0;

        // 【背包容量为 i 】时候的最大价值
        int[] dp = new int[maxVolumn + 1];

        for (int i = 1; i <= num; i++) {     // 对于前 i 个物品
            for (int j = maxVolumn; j >= items[i][0]; j--) {     // 【从大到小】枚举背包容量 j
                for (int k = 0; k * items[i][0] <= j; k++) {    // 选 k 个物品i
                    dp[j] = Math.max(dp[j], dp[j - k * items[i][0]] + k * items[i][1]);
                }
            }
        }

        return dp[maxVolumn];
    }

显然，这种方法的时间复杂的太高了，有必要进一步优化。但是好歹给了我们一个思路：完全背包问题是可以被转化成 01背包 的。

1.2 解法二

在 01背包问题 的一维解法中，我们的内层循环是 从大到小 倒序枚举的。这是为了保证状态转移时，【备选 dp 值 dp[j - items[i][0]] 是 i-1 状态下的值，而不是 i 状态下的】。

而在完全背包问题中，每一个物品都能选不止一次，直接将上述枚举过程改为 从小到大 即可。这是因为 dp[j - items[i][0]] 是 i 状态下的值，此时已经考虑了多个物品 i 的情况了。
（因为 dp[j - items[i][0]] 有可能等于 dp[items[i][0]] 、dp[2 * items[i][0]] 、… dp[k * items[i][0]] ）

代码

private int solution(int num, int maxVolumn, int[][] items) {
        if (num == 1 && items[0][1] <= maxVolumn) return items[1][1];
        if (num == 1) return 0;

        // 【背包总体积是 i 时】，最大价值是多少（不一定放满）
        int[] dp = new int[maxVolumn + 1];


        for (int i = 1; i <= num; i++) {
            for (int j = items[i][0]; j <= maxVolumn; j++) {    // 从小到大枚举背包容量 j
                dp[j] = Math.max(dp[j], dp[j - items[i][0]] + items[i][1]);
            }

        }
        return dp[maxVolumn];
    }