动态规划

基本思想：
动态规划算法通常用于求解具有某种最优性质的问题。
在这类问题中，可能会有许多可行解。 每一个解都对应于一个值，我们希望找到具有最优值的解。

基本思想是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。

适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。

如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。

步骤：

• 找出最优解的性质，并刻画其结构特征；
• 递归地定义最优值（写出动态规划方程）；
• 以自底向上的方式计算出最优值；
• 根据计算最优值时得到的信息，构造一个最优解。
  动态规划问题的特征
  动态规划算法的有效性依赖于问题本身所具有的两个重要性质：
  最优子结构：
  - 当问题的最优解包含了其子问题的最优解时，称该问题具有最优子结构性质。
  重叠子问题：
  - 在用递归算法自顶向下解问题时，每次产生的子问题并不总是新问题，有些子问题被反复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子问题只解一次，而后将其解保存在一个表格中，在以后尽可能多地利用这些子问题的解。

0-1背包问题
给定一个物品集合s＝｛1，2，3，…，n｝，物品i的重量是wi，其价值是vi，背包的容量为W，即最大载重量不超过W。在限定的总重量W内，我们如何选择物品，才能使得物品的总价值最大。

#include <bits/stdc++.h>
using namespace std;

int m[10][10];
int w[10],v[10];
int main()
{
    int n,sum;
    cin>>n>>sum;
    for(int i=1;i<=n;i++)
        cin>>w[i]>>v[i];
    for(int i=0;i<=sum;i++)
    {
        m[i][0]=0;
        m[0][i]=0;
    }
    for(int i=1;i<=n;i++)
        for(int j=1;j<=sum;j++)
        {
            if(j<w[i])
                m[i][j]=m[i-1][j];
            else
                if(m[i-1][j]>(m[i-1][j-w[i]]+v[i]))
                    m[i][j]=m[i-1][j];
                else
                    m[i][j]=m[i-1][j-w[i]]+v[i];
        }
    cout<<m[n][sum]<<endl;
    return 0;
}