经典动态规划0-1背包问题-python3实现

题目描述

给你一个可装载重量为W的背包和N个物品，每个物品有重量和价值两个属性。其中第i个物品的重量为wt[i]，价值为val[i]，现在让你用这个背包装物品，最多能装的价值是多少？

举个简单的例子，输入如下：

 N = 3, W = 4
 wt = [2, 1, 3]
 val = [4, 2, 3]

输出为6。

第一步

第一步需要明确两点，[状态]和[选择]
状态，是指如何才能描述一个问题局面。只要给定几个可选物品和一个背包的容量限制，就形成了一个背包问题。因此状态有两个，就是背包的容量和可选择的物品。
选择也很简单，对于每件物品，你能选择什么？选择就是装进背包或者不装进背包。
明白了状态和选择，则动态规划问题基本上就解决了。

for 状态1 in 状态1的所有取值：
	for 状态2 in 状态2的所有取值:
		for ...
		dp[状态1][状态2][...]=择优（选择1，选择2...）

第二步 明确dp数组含义

dp[i][w]的定义如下：对于前i个物品，当前的背包容量为w，这种情况下可以装的最大价值是dp[i][w]。
根据这个定义，我们想求的答案就是dp[N][W]。

边界条件

base case就是dp[0][...]=dp[...][0]=0，因为没有物品或者背包没有空间时，能装的最大价值就是0。

第三步 思考状态转移的逻辑

简单来说，把物品i装进背包和不把物品i装进背包如何用代码体现出来。
dp[i][w]表示：对于前i个物品，当前背包的容量为w时，这种情况下可以装下的最大价值是dp[i][w]。

如果你没有把这第i个物品装入背包，那么很显然，最大价值dp[i][w]应该等于dp[i-1][w]。你不装嘛，那就继承之前的结果。

如果你把这第i个物品装入了背包，那么dp[i][w]应该等于dp[i-1][w-wt[i-1]] + val[i-1]。
这里要注意的是,i是从1开始取的，因此对于val和wt，第i个物品的重量或价值的取值应该是i-1。
而dp[i-1][w-wt[i-1]]也很好理解：你如果想装第i个物品，你怎么计算这时候的最大价值？换句话说，在装第i个物品的前提下，背包能装的最大价值是多少？

显然，你应该寻求剩余重量w-wt[i-1]限制下能装的最大价值，加上第i个物品的价值val[i-1]，这就是装第i个物品的前提下，背包可以装的最大价值。

最后代码

def knapsack(W, N, wt, val):
    dp = [[0] * (W + 1) for _ in range(N + 1)]
    for i in range(1, N + 1):
        for w in range(1, W + 1):
            if w - wt[i - 1] < 0:
                dp[i][w] = dp[i - 1][w]
            else:
                dp[i][w] = max(dp[i - 1][w - wt[i - 1]] + val[i - 1], dp[i - 1][w])
    return dp[N][W]
print(knapsack(4, 3, [2, 1, 3], [4, 2, 3]))
#output:
6

注意

每次看到边界条件时，我其实就会非常的不爽。因为这样最后导致了用wt[i-1],val[i-1]来表示第i个物品的价值和重量。我在想，能否不要这个边界条件呢。
我在尝试去编程的时候发现不可以。原因在于，动态规划其实最好有初始状态值，再一步一步进行迭代是最容易的。