基于Python的背包问题（一）

背包问题：背包问题是线性 DP 问题中一类经典而又特殊的模型。背包问题可以描述为：给定一组物品，每种物品都有自己的重量、价格以及数量。再给定一个最多能装重量为 W 的背包。现在选择将一些物品放入背包中，请问在总重量不超过背包载重上限的情况下，能装入背包的最大价值总和是多少？

0-1背包问题

0-1 背包问题: 有 n 件物品和有一个最多能装重量为 W 的背包。第 i 件物品的重量为 weight [i], 价值为 value [i], 每件物品有且只有 1 件。请问在总重量不超过背包载重上限的情况下, 能装入背包的最大价值是多少?

每种物品有且仅有1件，可以选择不放入背包，也可以选择放入背包。

定义状态dp[i][w]表示为：前i件物品放入一个最多能装重量为w的背包中，可以获得的最大价值。

如果w < weight[i-1], dp[i][w] = dp[i-1][w] 

考虑第i-1件物品，如果剩余的最大载重小于该物品重量，则无法放入。

如果w >= weight[i-1], max{dp[i-1][w], dp[i-1][w-weight[i-1]]+value[i-1]}

考虑第i-1件物品，如果剩余的最大载重大于该物品重量，则可以选择放入或者不放入。

class Solution:
    # 思路 1：动态规划 + 二维基本思路
    def zeroOnePackMethod1(self, weight: [int], value: [int], W: int):
        size = len(weight)
        dp = [[0 for _ in range(W + 1)] for _ in range(size+1)

        for i in range(1, size + 1):
            for w in range(W + 1):
                if w < weight[i - 1]:
                    dp[i][w] = dp[i-1][w]
                else:
                    dp[i][w] = max(dp[i-1][w], dp[i-1][w-weight[i-1]]+value[i-1])
        
        return dp[size][W]

• 时间复杂度：O(n×W)，其中 n 为物品数量，W 为背包的载重上限。
• 空间复杂度：O(n×W)。

动态规划 + 滚动数组优化

在状态转移的过程中，我们只用到了当前行（第 i 行）的 dp[i][w]以及上一行（第 i−1行）的 dp[i−1][w]、dp[i−1][w−weight[i−1]]。

我们需要按照「从 W∼0逆序的方式」倒推 dp[w]。

因为我们需要i-1状态的dp[w]的值，但是我们现在只有一维dp，只需要逆序倒推就可以保证获取的dp[w-weight[i-1]]依旧是i-1状态下的值。

class Solution:
    # 思路 2：动态规划 + 滚动数组优化
    def zeroOnePackMethod2(self, weight: [int], value: [int], W: int):
        size = len(weight)
        dp = [0 for _ in range(W + 1)]
        
        for i in range(1, size + 1):
            for w in range(W, weight[i - 1] - 1, -1):
                dp[w] = max(dp[w], dp[w - weight[i - 1]] + value[i - 1])

        return dp[W]

• 时间复杂度：O(n×W)，其中 n 为物品数量，W 为背包的载重上限。
• 空间复杂度：O(W)。