这段代码涉及到解决0-1背包问题的动态规划算法,同时使用了滚动数组进行优化。
1. **问题描述:**
- 0-1背包问题是一个经典的动态规划问题,给定一组物品,每个物品有重量和价值,背包有一定的容量限制,要求选择物品放入背包使得总价值最大,且每个物品要么完整地放入背包,要么不放入。
2. **滚动数组的思路:**
- 滚动数组是一种空间优化技巧,用于在动态规划中减少内存使用。在这里,使用一维数组`dp`表示状态,`dp[j]`表示背包容量为`j`时的最大价值。因为每个状态只与前一行的状态有关,所以只需要保留两行的信息,可以用一个一维数组表示二维数组,实现了滚动的效果。
// 初始化
vector<int> dp(bagWeight + 1, 0);
for(int i = 0; i < weight.size(); i++) { // 遍历物品
for(int j = bagWeight; j >= weight[i]; j--) { // 遍历背包容量
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
}
}
3. **代码解析:**
- `vector<int> dp(bagWeight + 1, 0);`: 初始化一维数组`dp`,表示背包容量为`0`到`bagWeight`时的最大价值,初始值为0。
- `for(int i = 0; i < weight.size(); i++) { ... }`: 外层循环遍历每个物品。
- `for(int j = bagWeight; j >= weight[i]; j--) { ... }`: 内层循环从大到小遍历背包容量,确保在计算当前状态时不会使用到之后更新的状态。
- `dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);`: 这行代码表示当前背包容量为`j`时的最大价值,取决于选择当前物品(`dp[j - weight[i]] + value[i]`)和不选择当前物品(`dp[j]`)的最大值。
4. **时间复杂度:**
- 由于使用了滚动数组,每个状态只与前一行的状态有关,所以时间复杂度为O(weight.size() * bagWeight)。
5. **注意事项:**
- 内层循环要从大到小遍历,确保在更新`dp[j]`时,使用的是上一行的状态,防止重复添加相同物品。