算法练习题26---动态规划“01背包问题”

---

前言

通过一道例题来阐述一下我对于0/1背包问题的想法，0/1背包问题是动态规划思想中一个非常经典的问题。应用非常广泛，主要解决了在复杂条件下的最大价值问题，下面来结合一道例题介绍一下这种思想。

一、背包问题概述

有多个物品，重量不同、价值不同，以及一个容量有限的背包，选择一些物品到背包中，这些物品不能被分割，只能完整地装入背包中，问怎样装才能使装进背包的物品总价值最大。

比如现在有4个物品，重量依次是2,3,6,5，价值分别是6,3,5,4，背包容量为9

0/1背包问题中最重要的数据结构就是一个二维表dp[num][value]，其中num表示提供前num种物品选择，而value则表示在该选择下，对应的背包大小，综合起来看，dp[num][value]就表示在前num种物品选择条件下，在背包容量为value的情况下能够产生的最大价值。

那么这个数组是如何进行赋值的呢？

这里我总结为两个for循环加一个状态转移方程。程序的核心结构如下:

for(int i=1;i<=num;i++)  //物品种类
{
    for(int j=weight[i];j<=v;j++)  //背包容量
    {
        //装入当前这个物品，或者不装，选取能够产生价值最大的一种情况
        dp[i][j]=max(dp[i-1][j-weight[i]]+value[i],dp[i-1][j]);  //状态转移方程
    }
}

外层循环控制物品的可用种类，也就是前述的num，表示第1~i种物品都是可用的，但不一定都要装入，内层循环控制背包的容量，背包的容量从第 i 种物品的重量开始，因为背包容量小于第 i 中物品的重量时，肯定是无法装入第 i 种物品的，因此没有意义要跳过。那么状态转移方程则会进行比较，比较在装入第 i 种物品后，还是不装入第 i 种物品哪一个会使背包的价值更大，这就是动态控制背包价值的关键。

比如 dp[1][2]=max(dp[0][2-weight[1]]+value[1],dp[0][2])，其中weight[1]=2，value[1]=6，显然dp[1][2]=6

那么 dp[2][3]=max(dp[1][3-weight[2]]+value[2],dp[1][3])，其中weight[2]=3，value[2]=3，而dp[1][3]=6，dp[1][0]=0，那么综合比较后，因为6>3，最终会选择不装物品2，装物品1，即dp[2][3]=6，这就是动态规划的核心，循环结束后一定能够保证背包的每一个状态都是最大价值。

二、一道例题

取自hdu 2602 “骨头收集者”

“骨头收集者”带着体积为V的背包去捡骨头，已知每个骨头的体积和价值，求能装进背包的最大价值。N≤1000，V≤1000。

输入：第1行是测试数量，第2行是骨头数量和背包体积，第3行是每个骨头的价值，第4行是每个骨头的体积。

1
5 10
1 2 3 4 5
5 4 3 2 1

输出：最大价值

14

三、具体代码

#include<bits/stdc++.h>
using namespace std;
int main()
{
	int n;
	cin>>n;
	while(n--)
	{
		int num,v;
		cin>>num>>v;
		int bone_value[100];   //骨头对应的价值
		int bone_weight[100];  //骨头对应的重量
		int dp[100][100];  //dp数组，行坐标代表当前骨头的种类，列坐标代表当前背包的容量，数组存放最大的价值
		for(int i=1;i<=num;i++)
		{
			cin>>bone_value[i];
		}
		for(int i=1;i<=num;i++)
		{
			cin>>bone_weight[i];
		}
		for(int i=1;i<=num;i++)
		{
			for(int j=bone_weight[i];j<=v;j++)
			{
				//装入当前这个骨头，或者不装，选取能够产生价值最大的一种情况
				dp[i][j]=max(dp[i-1][j-bone_weight[i]]+bone_value[i],dp[i-1][j]);  //状态转移方程
			}
		}
		cout<<dp[num][v]<<endl;
	}
	return 0;
}