最简单直观详细的理解 背包问题 的一维解法 动态规划

关于背包问题一维解法，网上一堆各种讲解资料，笔者在参考了很多资料后，总结出了一份较简单直观便于理解的一维解法的讲解。

老规矩，我们还是从题切入，先看题目要求：

本文只讲解背包问题的一维解法，关于背包问题动态规划的二维解法，详见上一篇文章：最简单直观详细的理解 背包问题 的一维解法 动态规划_一维背包问题_Bule Guy的博客-CSDN博客

首先，对于背包问题的二维解法，对于f[i][j]，我们可以得到一个二维表格

然后根据二维公式f[i][j]=max{ f[i-1][j], f[i-1][j-v[i]]+w[i] }，我们可以填满该二维表格。

该办法的缺点就是，按照题意我们只需要装满包的容量那个结果，即f[N][V]，但是我们观察二维表格数据可以得出一个非常直观的规律，我们填二维表格的下一行的数据，是需要二维表格上一行数据才能计算出来的。

所以我们需要用二维数组将前面所有数据计算出来f[N][V]。

但是因为我们只需要前一行的数据来计算下一行的数据，那么为了节省空间，我们其实可以只保存当前行和上一行两行数据即可，之前的数据我们用完后直接覆盖掉不就可以了吗？

所以我们可以直接用一维数组进行优化

我们定义一维数组  f[j]：N件物品，背包容量j下的最优解。

此时     f[j]=max(f[j], f[j - v[i]] + w[i])

（ 二维时，公式为f[i][j]=max{ f[i-1][j], f[i-1][j-v[i]]+w[i] }  可以参考对比下有什么异同）

另外，还有一点和二维数组不一样的是：一维要采取逆序的方式来循环，为什么呢，

我们举例说明：

假如枚举到：i = 3, j = 8, v[3] = 5, w[3] = 1

二维：dp[3][8] = max(dp[2][8], dp[2][3] + w[3])   此时的dp[2][8]和dp[2][3]都是上一轮的状态值

一维：dp[8] = max(dp[8], dp[3] + w[3])      我们要保证dp[8]和dp[3]都是上一轮的状态值

按照逆序的顺序，一维dp数组的更新顺序为：dp[8], dp[7], dp[6], ... , dp[3]

也就是说，在本轮更新的值，不会影响本轮中其他未更新的值！较小的index对应的状态是上一轮的状态值！

如果按照顺序进行更新，dp[3] = max(dp[3], dp[0] + w[0])，对dp[3]的状态进行了更新，那么在更新dp[8]时，用到的dp[3]
就不是上一轮的状态了，不满足动态规划的要求。

所以代码为：

#include<iostream>
#include<cstring>
#include<algorithm>
 
using namespace std;
const int N=1010;
int n,m;//n个物品，背包容量为m
int f[N];
int v[N],w[N];//物体的体积和价值
int main(){
    cin>>n>>m;
    //输入物体体积和价值
    for(int i=1;i<=n;i++)//数列下标从1开始，而不是0
    {
        cin>>v[i]>>w[i];
    }
    
   for(int i = 1; i <= n; i++) 
    for(int j = m; j >= 0; j--)  //注意这里是逆序
    {
        if(j < v[i]) 
           // f[i][j] = f[i - 1][j];  二维时的做法
            f[j] = f[j];            // 一维优化后，该行自动成立，可省略。
        else    
           // f[i][j] = max(f[i - 1][j], f[i - 1][j - v[i]] + w[i]); 二维时的做法
            f[j] = max(f[j], f[j - v[i]] + w[i]);                   // 一维优化后
    }    
    //输出最终结果
    cout<<f[m]<<endl;
    return 0;
    
    
    
}