动态规划，Dynamic Programming，python代码实现

动态规划问题

例如: 你有一个背包，最大承受重量为max_weight，有一些宠物，每个宠物有自己的重量，每个宠物能给你带来的价值不同，现在要背着宠物去旅行，目的是使价值最大化。(其他问题：例如给一定量的本金，去买房子，每个房子的售价和给你带来的收益不一样，求使收益最大化的买房策略)

宠物的重量

宠物名	重量weight
cat	1
bird	1
dog	2
tiger	2
elephant	3

宠物的价值

宠物名	价值Value
cat	3
bird	6
dog	5
tiger	9
elephant	10

先看下面的表格，第i行第j列元素表示：在背包容量为j的情况下，能选择的宠物为0-i，所能带来的最大价值
举个例子，[3][2]表示：背包容量为2，只能选cat，bird，dog这三种宠物，所带来的最大价值

宠物名/背包重量	1	2	3	4	5	…	max_weight
cat
bird
dog
tiger
elephant

动态规划就是将物品种类和背包重量逐步增加，来求解问题。

每新增一种宠物选项i+1时，有两种情况，
一种是不选择这个宠物，则最大价值为背包重量不变的情况下，选择0-i种宠物带来的最大价值
另一种情况是，选择这种宠物i+1，则剩余空间为max_weight - weight[i+1]，则最大价值为这个宠物的价值+剩余空间选择0-i种宠物带来的最大价值
取这两种情况的最大值为最终结果，

举个例子：计算[3][2]时，dog为新增宠物选项，
情况一：不选择dog，则最大价值仍然为max_weight=2时，可选项是cat，bird时的最大收益，即[2][2]
情况二：选择dog，剩余空间为max_weight-dog的weight = 0，则在剩余空间为0，可选择cat，bird时，带来的最大价值为0（这里因为没有空间了，正常是[i][max_weight-dog的weight]）

不带注释的版本

import numpy as np

value_dict = {"cat":3, "bird":6, "dog":5, "tiger":9, "elephant":10}
weight_dict = {"cat":1, "bird":1, "dog":2, "tiger":2, "elephant":3}
value_list = [3, 6, 5, 9, 10]
weight_list = [1, 1, 2, 2, 3]

def dp_matric(pet_lens, max_weight, value_list, weight_list):
    max_value_matrix = np.zeros((pet_lens, max_weight), dtype=np.dtype((np.str_,500)))
    for pet_i in range(pet_lens):
        for bag_weight in range(max_weight):
            c1 = max_value_matrix[pet_i-1][bag_weight] if pet_i > 0 else 0
            weight_i = weight_list[pet_i]
            value_i = value_list[pet_i]

            if bag_weight+1 < weight_i :
                c2 = max_value_matrix[pet_i-1][bag_weight] if pet_i > 0 else 0
            else:
                resi = max_value_matrix[pet_i-1][bag_weight-weight_i] if pet_i > 0 and bag_weight-weight_i >= 0 else 0
                c2 = value_i + int(resi)
            max_value_matrix[pet_i][bag_weight] = c1 if int(c1) > int(c2) else c2
    return max_value_matrix

print(dp_matric(len(weight_dict.items()), 6, value_list, weight_list))

带注释的版本

import numpy as np

value_dict = {"cat":3, "bird":6, "dog":5, "tiger":9, "elephant":10}
weight_dict = {"cat":1, "bird":1, "dog":2, "tiger":2, "elephant":3}
value_list = [3, 6, 5, 9, 10]
weight_list = [1, 1, 2, 2, 3]

# pet_i表示宠物下标,只能选择pet_i以及pet_i之前的宠物
# bag_weight为背包容量大小
def dp_matric(pet_lens, max_weight, value_list, weight_list):
    # 初始化最大价值矩阵
    max_value_matrix = np.zeros((pet_lens, max_weight), dtype=np.dtype((np.str_,500)))
    for pet_i in range(pet_lens):
        # bag_weight的下标从0开始,但实际表示的weight是从1开始, bag_weight表示的背包容量为bag_weight+1
        for bag_weight in range(max_weight):
            # c1为不考虑pet_i的最大价值
            # 放入pet_i之前的最大价值，如果pet_i为第一个可选择的宠物，则之前的最大价值为0
            c1 = max_value_matrix[pet_i-1][bag_weight] if pet_i > 0 else 0
            # pet_i的权重和价值
            weight_i = weight_list[pet_i]
            value_i = value_list[pet_i]

            # c2为考虑pet_i的情况，又分背包能不能放下pet_i两种情况
            # 因为矩阵下标从0开始，bag_weight表示的背包容量为bag_weight+1
            if bag_weight+1 < weight_i :
                # 背包放不下pet_i
                c2 = max_value_matrix[pet_i-1][bag_weight] if pet_i > 0 else 0
            else:
                # 背包能放下pet_i
                # 放入pet_i, 最大价值=pet_i的价值+(max_weight-pet_i的weight)剩余空间的最大价值
                # resi为剩余空间的最大价值
                # 如果pet_i为第一个可选择的宠物，无论剩余空间大小为多少，没有其他宠物可选，故剩余空间的最大价值为0
                # bag_weight-weight_i代表的剩余空间大小为bag_weight-weight_i+1, 只有剩余空间>=1时(即bag_weight-weight_i>=0),该空间才能有价值,否则为0
                resi = max_value_matrix[pet_i-1][bag_weight-weight_i] if pet_i > 0 and bag_weight-weight_i >= 0 else 0
                c2 = value_i + int(resi)
            max_value_matrix[pet_i][bag_weight] = c1 if int(c1) > int(c2) else c2
    return max_value_matrix

# max_value_matrix[i][j]表示空间大小为j+1,能取的物品为value_list[0:i],  所能取到的最大价值
print(dp_matric(len(weight_dict.items()), 6, value_list, weight_list))

背包容量为6时的最大价值矩阵如下：

如果宠物的顺序改变，中间的生成过程会不同，但最后的结果是一样的
一般要求的是最终结果，即图中的25