集美大学-计算机打卡（10）

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。