01背包逆序为什么能优化空间复杂度

最近学习动态规划，看了背包九讲，对刚开始01背包的空间复杂度优化的问题，把一维dp优化为二维dp，为什么逆序就可以优化空间复杂度的问题，一开始没搞懂，看了几篇博客后，有一些个人的理解。

原文章是这样写的：

有 N 件物品和一个容量为 V 的背包。放入第 i 件物品耗费的费用是 Ci1，得到的价值是 Wi。求解将哪些物品装入背包可使价值总和最大。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-Ci] + Wi}
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和前 i 1 件物品相关的问题。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 Ci 的背包中”，此时能获得的最大价值就是 F[i 1, v Ci] 再加上通过放入第 i 件物品获得的价值 Wi。

以上方法的时间和空间复杂度均为 O(V N)，其中时间复杂度应该已经不能再优化了，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。那么，如果只用一个数组 F[0 . . . V ]，能不能保证第 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？F[i, v] 是由 F[i-1, v] 和 F[i-1, v Ci] 两个子问题递推而来，能否保证在推 F[i, v] 时（也即在第 i 次主循环中推 F[v] 时）能够取用 F[i-1, v] 和 F[i-1, v Ci] 的值呢？事实上，这要求在每次主循环中我们以 v = V . . . 0 的递减顺序计算 F[v]，这样才能保证计算 F[v] 时 F[v-Ci] 保存的是状态 F[i-1, v Ci] 的值。

其中的 F[v] ← max{F[v], F[v-Ci] + Wi} 一句，恰就对应于我们原来的转移方程，因
为现在的 F[v-Ci] 就相当于原来的 F[i-1, v-Ci]。如果将 v 的循环顺序从上面的逆
序改成顺序的话，那么则成了 F[i, v] 由 F[i, v-Ci] 推导得到，与本题意不符。

个人理解：

没优化之前，是用二维dp，即dp[i] = max(dp[i-1][j],dp[i-1][j-w[i]]+v[i])，每一次的dp[i][]都由之前状态dp[i-1][]而推来，我们现在用一个dp[j]来储存之前的状态，然后当前的状态用到之前储存的状态dp[j]，并且重新更新dp，所以采用逆序，因为逆序每次用的的状态都是前一次的状态，即从dp[j]一直更新到dp[j-w[i]]，所用到的状态都是前向前遍历也就是上一个状态，更新的状态保证向前遍历不会用到当前的状态（即修改过的状态），假如采用正序，每次修改完状态，遍历到后面要用到dp[j-w[i]]的状态，这是已经修改过状态，所以用到的状态不是前一状态而是已经修改过的状态。