一文彻底搞懂背包问题

01背包、完全背包和多重背包问题都属于经典的背包问题，这些问题都可以通过动态规划来解决，它们在动态规划中有着不同的特点和解法，其中状态转移方程是解决这些问题的核心。通过填表的方式，逐步求解最优解，最终得到问题的解。

1. 01背包问题

问题描述：给定一个背包容量 W 和 n 个物品，每个物品有重量 weight[i] 和价值 value[i]，选择一些物品放入背包中，使得放入的物品总重量不超过背包容量，且总价值最大。

特点：每种物品只能选择放入一次。

状态定义：dp[i][j] 表示在前 i 个物品中选择，容量为 j 的背包所能容纳的最大价值。

状态转移方程：

for (int i = 1; i <= n; i++) {
    for (int j = 0; j <= W; j++) {
        if (j >= weight[i]) {
            dp[i][j] = Math.max(dp[i-1][j], dp[i-1][j-weight[i]] + value[i]);
        } else {
            dp[i][j] = dp[i-1][j];
        }
    }
}

时间复杂度：O(n*W)

2. 完全背包问题

问题描述：与01背包类似，但每种物品可以选择无限次放入背包中。

特点：每种物品可以选择无限次放入。

状态定义：与01背包相同。

状态转移方程：

for (int i = 1; i <= n; i++) {
    for (int j = 0; j <= W; j++) {
        if (j >= weight[i]) {
            dp[i][j] = Math.max(dp[i-1][j], dp[i][j-weight[i]] + value[i]);
        } else {
            dp[i][j] = dp[i-1][j];
        }
    }
}

时间复杂度：O(n*W)

3. 多重背包问题

问题描述：与完全背包类似，但每种物品有数量限制，每种物品最多只能选择 num[i] 次。

特点：每种物品有数量限制。

状态定义：与01背包相同。

状态转移方程：需要额外考虑物品的数量限制，通常使用三重循环进行状态转移。

for (int i = 1; i <= n; i++) {
    for (int j = 0; j <= W; j++) {
        for (int k = 0; k <= num[i]; k++) {
            if (j >= k * weight[i]) {
                dp[i][j] = Math.max(dp[i][j], dp[i-1][j-k*weight[i]] + k*value[i]);
            }
        }
    }
}

时间复杂度：O(nWmax_num)