动态规划-01背包问题

动态规划

定义

将大问题分解为多个小问题（转移方程）

动态：“随时变”（每一步） 规划：考虑之后的问题（DFS）

对于动态规划，我们面对的是一个求最优解或统计之类的问题（背包问题等），这个问题基于“我们要模拟完成一个大任务”，这个大任务可以分成若干步骤，每个步骤有若干种决策，每个步骤完成后，就到达了一个阶段性状态
比如，你要从A地到Z地，没有直达，所以第一步需要到一个中间地点，比如H或I，第二步再前进，比如到P或Q，最后到达Z，每一步有若干决策，比如第一步你可以决定到H或I的中的某个，大致就是这样一个模型，可以自己画个地图看看.

等等，你大概发现问题了，如果第一步到H和I都可以，第二步到P和Q都可以，那我每一步只选最优，不就用贪心得到结果了吗，没错，如果你需要经历的每个阶段状态跟决策无关，那就贪心得到结果好了

然而现实情况可能是，你第一步的选择会影响后面的分支，比如你第一步可以选择到H或I，但是到了H后，你只能选择经过P或Q到Z了，而如果到了I，你只能选择R或S到Z，这样一来，即便第一步到H或I你选择了较好的一条路，也不保证最终结果最优，因为比如你选了H，那万一I-R-Z的路要比H开始到Z的路径短了更多，最优路径可能是A-I-R-Z，所以你要把这些路都尝试一遍，才知道哪个最优

严格来说，动态规划不是一种算法，没有固定的框架，而是一种思路

最后用经典的0-1背包问题做个例子，巩固一下吧，这个任务是，我们从N个物品选若干塞到可以承受最大重量W的包包里面，要价值最大，因此就可以将任务分成N个步骤，每个步骤面对第i号物品，决策有两条：选，还是放弃，这里的状态，就是影响之后步骤决策的因素，在这里，就是“背包的剩余空间”
比如，物品的重量是1,2,3,4,5,6，W=12，从头决策，0表示放弃，1表示选，规划后三次后有八种状态：
000 剩12
001 剩9
……（略）
110 剩9
……（略）
前三次步骤后，001和110到达了同样的状态，都是剩余可装重量9的东西，这样在剩下的决策中，这俩分支走的路都是一样的，跟你之前是选了001还是110没有任何关系（无后效性），因此只要看001价值大，还是110价值大就可以了，8个状态减少为7个，继续BFS下去，每一轮都合并同样状态，完成后，从最后一轮的所有状态中，找到价值最大的就ok了

下面是一道经典的例题

采药

1.题目描述：

辰辰是个天资聪颖的孩子，他的梦想是成为世界上最伟大的医师。为此，他想拜附近最有威望的医师为师。医师为了判断他的资质，给他出了一个难题。医师把他带到一个到处都是草药的山洞里对他说：“孩子，这个山洞里有一些不同的草药，采每一株都需要一些时间，每一株也有它自身的价值。我会给你一段时间，在这段时间里，你可以采到一些草药。如果你是一个聪明的孩子，你应该可以让采到的草药的总价值最大。”

如果你是辰辰，你能完成这个任务吗？

2.输入：

第一行有两个整数T（1 ≤ T ≤ 1000）和M（1 ≤ M ≤ 100），用一个空格隔开，T代表总共能够用来采药的时间，M代表山洞里的草药的数目。接下来的M行每行包括两个在1到100之间（包括1和100）的整数，分别表示采摘某株草药的时间和这株草药的价值。

3.输出：

一行，这一行只包含一个整数，表示在规定的时间内，可以采到的草药的最大总价值。

4.样例：

输入：

70 3

71 100

69 1

1 2

输出：

3

意思就类似于你有一个背包，背包里只能放有限的空间，你要去超市买东西，（你可以买所有的东西），每种商品有价格和大小，你要让你的背包里面价值最大且不被撑爆。

代码：

#include <iostream>
using namespace std;
int result[101][1001];
int main()
{
    int T,M;
    cin>>T>>M;
    for(int i=1;i<=M;i++)
    {
        int perT,perP;
        cin>>perT>>perP;
        for(int j=0;j<=T;j++)
        {
            result[i][j] = result[i-1][j];
        }
        for(int j=0;j<=T;j++)
        {
            if(j+perT<=T)
                result[i][j+perT] = max(result[i-1][j+perT],result[i-1][j]+perP);
            
        }
    }
    cout<<result[M][T]<<endl;
    return 0;
}

关键：

result[i][j+perT] = max(result[i-1][j+perT],result[i-1][j]+perP); 

思路：

依次考虑N件物品，对于容量为v的背包在处理第i件物品时获得的最大价值F，显然有如下递推式：

如果第i件物品的体积C[i]>v

第i件物品必然无法加入背包，F[i][v]=F[i-1][v]

否则是否加入第i件物品需考虑加入背包后是否划算，在这里可以认为这个第i件物品优先加入背包，

那么有

F[i][v]=max{ F[i-1][v], F[i-1][ v-C[i] ] + W[i] }

转移方程：

F[v]=max{F[v],F[v-C[i]]+W[i]}