算法：01背包问题【动态规划】

01背包问题【动态规划】

01背包是典型的动态规划问题。

动态规划的原理

动态规划与分治法类似，都是把大问题拆分成小问题，通过寻找大问题与小问题的递推关系，解决一个个小问题，最终达到解决原问题的效果。但不同的是，分治法在子问题和子子问题等上被重复计算了很多次，而动态规划则具有记忆性，通过填写表把所有已经解决的子问题答案纪录下来，在新问题里需要用到的子问题可以直接提取，避免了重复计算，从而节约了时间，所以在问题满足最优性原理之后，用动态规划解决问题的核心就在于填表，表填写完毕，最优解也就找到。

最优性原理是动态规划的基础，最优性原理是指“多阶段决策过程的最优决策序列具有这样的性质：不论初始状态和初始决策如何，对于前面决策所造成的某一状态而言，其后各阶段的决策序列必须构成最优策略”。

01背包的状态转换方程 f[i,j] = Max{ f[i-1,j-Wi]+Pi( j >= Wi ), f[i-1,j] }

假设山洞里共有a,b,c,d ,e这5件宝物（不是5种宝物），它们的重量分别是4,5,6,2,2，它们的价值分别是6,4,5,3,6，现在给你个承重为10的背包, 怎么装背包，可以才能带走最多的财富。

有编号分别为a,b,c,d,e的五件物品，它们的重量分别是4,5,6,2,2，它们的价值分别是6,4,5,3,6，现在给你个承重为10的背包，如何让背包里装入的物品具有最大的价值总和？

name	weight	value		1	2	3	4	5	6	7	8	9	10
			0	0	0	0	0	0	0	0	0	0	0
a	4	6	0	0	0	0	6	6	6	6	6	6	6
b	5	4	0	0	0	0	6	6	6	6	6	10	10
c	6	5	0	0	0	0	6	6	6	6	6	10	11
d	2	3	0	0	3	3	6	6	9	9	9	10	11
e	2	6	0	0	6	6	9	9	12	12	15	15	15

e8的值是如何求出来的？

根据01背包状态转换方程，需要考虑2个值：
1）f(i-1, j)
2）max（ f(i-1,j), f(i-1, j-w(i)) + v(i) )
其中，
f(i-1,j)表示背包承重为j时，前i-1个能装的最大价值，本例中表示我有一个承重为8的背包，当只有物品a,b,c,d四件可选时，这个背包能装入的最大价值，即d8；
f(i-1, j-w(i)) + v(i)表示背包承重为j-w(i)时，前i-1个能装的最大价值（其中w(i)为第i个物品的重量），再加上i物品的价值v(i)，在本例即为d6+6=15。

回溯求最优解组合

通过上面的方法可以求出背包问题的最优解，但还不知道这个最优解由哪些商品组成，故要根据最优解回溯找出解的组成，根据填表的原理可以有如下的寻解方式：

V(i,j)=V(i-1,j)时，说明没有选择第i 个商品，则回到V(i-1,j)；
V(i,j)=V(i-1,j-w(i))+v(i)时，说明装了第i个商品，该商品是最优解组成的一部分，随后我们得回到装该商品之前，即回到V(i-1,j-w(i))；
一直遍历到i＝0结束为止，所有解的组成都会找到。

压缩优化

1、当前要求状态只与上一个状态有关，因此可以压缩数组维度，例如二维压缩为一维
2、压缩后数组只存储最后一件物品（即最后一行）的结果，只能得到最优解，不能求出最优解的组合
3、压缩后在列上必须倒着更新，否则会覆盖前面的。
参考1
参考2

# 01背包问题
# 输入：第一行为用例个数，第二行包含N和cap，表示物品数和背包容量，之后的N行为物品重量weight和价值value，用空格隔开
# 输出：背包能装的最大价值，若能输出路径，则输出所装的东西


def search_path(dp, arr, i, j):  # 递归求装入的物品，最优解回溯，求最优解的组成
    if i <= 0:
        return
    if dp[i][j] == dp[i-1][j]:
        search_path(dp, arr, i-1, j)
    else: