背包问题与投资问题

背包问题

1. 01背包问题

• 这是最基本的背包问题，每个物品最多只能放一次。

2. 完全背包问题

• 第二个基本的背包问题模型，每种物品可以放无限多次。

3. 多重背包问题

• 每种物品有一个固定的次数上限。

01背包问题

题目

有N件物品和一个容量为V的背包。第i件物品的费用是c[i]，价值是w[i]。求解将哪些物品装入背包可使价值总和最大。

基本思路

这是最基础的背包问题，特点是：每种物品仅有一件，可以选择放或不放。

用子问题定义状态：即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。则其状态转移方程便是：

f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]} // v >= c[i]

若只考虑第i件物品的策略（放或不放），那么就可以转化为一个只牵扯前i-1件物品的问题。如果不放第i件物品，那么问题就转化为“前i-1件物品放入容量为v的背包中”，价值为f[i-1][v]；如果放第i件物品，那么问题就转化为“前i-1件物品放入剩下的容量为v-c[i]的背包中”，此时能获得的最大价值就是f[i-1][v-c[i]]再加上通过放入第i件物品获得的价值w[i]。

优化空间复杂度

以上方法的时间和空间复杂度均为O(N*V)，其中时间复杂度基本已经不能再优化了，但空间复杂度却可以优化到O(V)。

由上述状态转移方程可知，dp[i][j]的值只与dp[i-1][0,...,j-1]有关，所以我们可以采用动态规划常用的方法（滚动数组）对空间进行优化（即去掉dp的第一维）。需要注意的是，为了防止上一层循环的dp[0,...,j-1]被覆盖，循环的时候 j 只能逆向枚举（空间优化前没有这个限制）。

代码

class Solution(object):
	def backpackI(self, w, c, V):
		"""
		w: 物品的价值列表
		c: 物品的体积列表
		V: 背包的体积
		"""
		N = len(c)
		f = [0]*N
		for i in range(N):
			for v in range(V, c[i]-1, -1):
				// 必须逆向枚举
		        f[v]=max{
   f[v],f[v-c[i