【动态规划】| 动态规划入门 | 背包问题| 本文仅仅简述01背包问题

一，动态规划

---

什么是动态规划?‘
相比较贪心的单峰形式的局部最优求解全局最优解，我们要知道的是在一些问题中我们有一些是不是单峰的，我们需要去让整个问题重叠成有连续的子问题，在保证每次子问题进行完成之后是最优解的状态。

---

什么叫做单峰?

类似一个吃饭问题，我们连续吃9天，求解吃饭所用最少多少钱？已经知道每天有个最小的吃饭标准（最少吃X元） ，前后两天的吃饭最小标准互不影响。

这个问题我们就可以进行转化 ，也就是先求每天的吃饭所用的标准，然后再进行取和就行了，这就是贪心思想。

---

动态规划的多步决策呢？

还是类比一个吃饭问题，我们连续吃9天，求解吃饭所用最少多少钱？已经知道每天有个最小的吃饭标准（最少吃X元） ，前后两天的吃饭最小标准相互影响 。

这个问题我们就不能像贪心那样的转化，这种就是一个动态的问题，我们需要去更新的是每次的状态的最优解，然后基于每次状态再更新每次状态的最优解。

---

动态规划的步骤图解

1 ， 下面是解题所设计到的思路

2 ， 解题技巧

从大问题到小问题 ： 递归记忆化的解决办法
从小问题到大问题 ： 制表递推的解决办法

// 到现在我还是只见过制表

3 ， 解题的框架设计

DP 解题分成两个部分 ： 第一部分是DP的状态表示 ， 第二部分是DP的状态转移方程 。
我们再来看一下图的解释 。

---

二，DP中常见的例题

目录
AcWing 2. 01背包问题
AcWing 3. 完全背包问题
AcWing 4. 多重背包问题
AcWing 5. 多重背包问题 II
AcWing 9. 分组背包问题

---

01背包问题

解题思路

首先是01背包问题，我们直接从设计的角度出发，状态表示和状态转移方程。我们来看状态表示这里，状态表示我们选用的是背包的容量，F[i] 表示的当背包内装的东西比 i 小或者是等于的时候所占的最小的大小，我们再来构建状态转移方程，状态转移方程的构建就是 if ( i > v[i] ) {f[i] = max ( f[i] , f[i - v[i]] + w[i]} ,思路比较简单的。

解题代码

#include <iostream>
using namespace std ;

const int N = 1010 ; 
int n , m ;
int v[N] , w[N] ;
int f[N] ;
int main ()
{
    cin >> n >> m ;
    for(int i = 1 ; i <= n ; i ++ )
        cin >> v[i] >> w[i] ;
    for(int i = 1 ; i <= n ; i ++ )
    {
        for(int j = m ; j >= v[i] ; j ++ )
        {
            f[j] = max ( f[j] , f[ j - v[i]] + w[i]);
        }
    }
    cout << f[m] << endl ; 

    return 0 ;
}

---

---