数据结构与算法: 动态规划篇1 之0-1背包问题

(一) 0-1 背包问题

对于一组不同重量、不可分割的物品，我们需要选择一些装入背包，
在满足背包最大重量限制的前提下，背包中物品总重量的最大值是多少呢？
回溯的解决方法是穷举搜索所有可能的装法，然后找出满足条件的最大值。
不过，回溯算法的复杂度比较高，是指数级别的, 复杂度为O(2^n)。

递归树中的每个节点表示一种状态，我们用（i, cw）来表示。
其中，i 表示将要决策第几个物品是否装入背包，cw 表示当前背包中物品的总重量。比如，（2，2）表示我们将要决策第 2 个物品是否装入背包，在决策前，背包中物品的总重量是 2。
递归树中，你应该能会发现，有些子问题的求解是重复的，比如图中 f(2, 2) 和 f(3,4) 都被重复计算了两次。
记录已经计算好的 f(i, cw)，当再次计算到重复的 f(i, cw) 的时候，可以直接从备忘录中取出来用，就不用再递归计算了，这样就可以避免冗余计算。

动态规划: 优化前 (二维数组)

把问题分解为多个阶段，每个阶段对应一个决策。我们记录每一个阶段可达的状态集合??>（去掉重复的），然后通过当前阶段的状态集合，来推导下一个阶段的状态集合，动态地往> 前推进。这也是动态规划这个名字的由来

我们把整个求解过程分为 n 个阶段，每个阶段会决策一个物品是否放到背包中。
每个物品决策（放入或者不放入背包）完之后，背包中的物品的重量会有多种情况，也就是说，会达到多种不同的状态，对应到递归树中，就是有很多不同的节点。

我们把每一层重复的状态（节点）合并，只记录不同的状态，然后基于上一层的状态集合，来推导下一层的状态集合。我们可以通过合并每一层重复的状态，这样就保证每一层不同状态的个数都不会超过 w 个（w 表示背包的承载重量），也就是例子中的 9。于是，我们就成功避免了每层状态个数的指数级增长。
用一个二维数组 states[n][w+1]，来记录每层可以达到的不同状态。
下面先放代码,然后再讲解

# 时间复杂度: O(n*w)
# weight: 物品重量, n:物品个数  w:背包可承载重量
# 需要额外申请一个 n 乘以 w+1 的二维数组，对空间的消耗比较多。
def knapsack(weight,w):
    n = len(weight)
    states = [[0] * (w + 1) for i in range(n)] # 设置一个n行w+1列的二维数组,数组中值都为0(也即是False)
    states[0][0] = True  # 第一行的数据要特殊处理
    if weight[0] <= w: # 第一个物品的重量
        states[0][weight[0]] = True

    for i in range(1,n): # 动态规划状态转移    剩下的物品
        for j in range(0,w+1): # 不把第i个物品放入背包
            if states[i-1][j] == True:
                states[i][j] = states[i-1][j]
        for j in range(0,w-weight[i]+1): # 把第i个物品放入背包
            if states