DP的开端【 01背包问题】

【背包】
今天来讲讲背包问题
背包问题是DP问题的一种。
而DP问题离不开三个特性：

1. 最优子结构
2. 无后效性
3. 重叠子问题

在讲背包问题之前，我们先讲讲斐波那契数列。
总所周知斐波那契数列的递推公式是
F(n)=F(n-1)+F(n-2)
但是我们可以画个图看看，在使用递归求解斐波那契数列第N项的时候会发生什么问题

写到这里应该就很清楚了。我们要求F（n）一定要递归求得F（n-1）和F（n-2），但是我们在求F（n-1）的时候，我还需要再递归求一个F（n-2），那么时间的开销就变大了许多许多。这就是上面DP说的重叠子问题，我重复地求了一个值，以至于当n很大很大地时候接近叶子节点的数据被计算了相当多次，这时间的开销是非常非常大的。而且我们从时间复杂度的角度出发，这个算法本身也是O(2^n)。
那么。我们从节省时间的角度我们去解决一下斐波那契数列。既然我们重复地计算了某一个值，那我们能不能用一个变量先存放他在那。直到用的时候，我才把他调度出来。也就是说，我们从n=2开始我们用for循环递进的方式，一个一个地求出前n-1项地值，那么我们在计算第n项地值得时候，我们就可以之间从数组中通过下标索引得方式去得到F（n-1）和F（n-2）从而计算出F（n）的值。
这里我就不进行代码实现了。
我们回归到今天的主角：背包问题
有N件物品和一个容量为V的背包。每种物品均只有一件。 第i件物品的质量是w[i]，价值是c[i]。求解将哪些物品装入背包可使这些物品的质量总和不超过背包容量，且价值总和最大。
在本题中，乍一看，好像没有思路，或者有的同学会觉得性价比方案可以解决背包问题
我们一步步来仿照刚刚的斐波那契数列的O（n）求解法

第一步

我们先完成简单的输入，把缓冲区的数据全部读进一个数组中，并按照价值，升序排序

struct object {
	int val;
	int weight;
};

//这里是存储的数据类型

int main() {
	int T;
	//T代表着我有多少个物体

	while (cin >> T) {
		int weight = 0;
		cin >> weight;
		object* Arr = new object[T];
		for (int count = 0; count < T; count++) cin >> Arr[count].val >> Arr[count].weight;
		//input
		//sort
		for (int count = 0; count < T; count++) {
			for (int j = count+1; j < T; j++) {
				if (Arr[count].val > Arr[j].val) {
					//change
					object tem = Arr[count];
					Arr[count] = Arr[j];
					Arr[j] = tem;
				}
			}
		}
	}
}

这里用了冒泡排序增强可读性，我们也可以用其他更快速的排序去减少时间的复杂度，不过这不属于我们的核心代码块，而且排序不是必须的。因为每次选择我均保证最优，所以不一定要排序。
我们这里直接定义一个函数名为DP_bag
图解如下

于是我们便有递归实现的代码

int DP_bag(object *Arr,int Value,int weight,int last){
	
	if (last < 0)return 0;//装不下了
	else if (weight < Arr[last].weight)return DP_bag(Arr, Value, weight, last - 1);//装不下最贵的，往后找
	else return max(DP_bag(Arr, Value, weight, last - 1), Arr[last].val +DP_bag(Arr, Arr[last].val + Value, weight - Arr[last].weight, last - 1));	
}

找到最优子结构和重叠子问题后就可转换
我们先设置一个Dp数组，为了避免多次计算重叠的子问题，我们可以用一个DP数组来存储每一个值

int DP_bag(object* Arr, int T,int weight) {
	int* DP = new int[weight+1];
	memset(DP, 0, weight+1);//T3RSCG
	for (int i = 0; i < T; i++) {
		for (int j = weight; j >= Arr[i].weight; j--) {
			DP[j] = max(DP[j], DP[j - Arr[i].weight] + Arr[i].val);
		}
	}
	return DP[weight];
}

我们来解剖一下这段代码，在DP数组中，我们一开始利用memset函数将他们归0，然后是一个很难理解的嵌套式循环。
1.在这个嵌套循环中，我们先看这两个循环的判断条件。

i < T
j >= Arr[i].weight

(1)在第一层循环，很简单，我能保证每一次的i都指向当前物体，所以我们有当i<T的时候我们会退出最外层的循环，这样就能保证每一次的Arr[i]均表示当前的物体(第i个物体)。
(2)在第二层循环中我们的退出条件是，当J小于Arr[i].weight我们就退出，因为Arr[i]表示当前的物体，当J小于(这里的J表示当背包最大承重为J时)，如果小于表示，我已经装不下这个物体了，那我就退出
2.我们看循环内部的最优子结构

DP[j] = max(DP[j], DP[j - Arr[i].weight] + Arr[i].val);

在这个"方程"中，我们可以看到，当访问到DP[j]的时候(DP[j]的意思表示成，当背包承重为j时候所承担的最大的价值)，那我此时已经知道了DP[j]前面的值(即DP[0],DP[1],DP[2]…DP[j-1])
综合来看，我们可以理解成，每输入一个物品(外层循环每跑一次)，我就更新一下DP数组的值，那如何更新？
在内层循环中，我其实做的就是，在原有的DP数组的基础上，输入一个物体，看能不能装的下，能装的上，那我就比较更新当前总承重（变成总承重-该物体重量）后的值（DP[j-该物体的重量]）+该物体的价值的总价值大，还是不更新的值（DP[j]）大，那么更新到最后我就能保证DP[n]是最优解（由于前面的每一个承重都能保证最优解）

总结一下把，该类的背包问题其实是属于01背包问题
在以二进制为主导数制的计算机中，0往往代表着低电平，1代表着高电平。
回归到该问题，我们无非离不开判断（放/不放），也就是1 与 0之间的关系。

01背包问题，也就因此得名