背包问题的几种解法总结

动态规划求解0-1背包问题，最重要的就是状态转换方程，如下：

状态转换方程 f[i,j] = Max{ f[i-1,j-Wi]+Pi( j >= Wi ),  f[i-1,j] }

Max为什么有两部分，其实就是眼前这个东西，你放还是不放。放了，就是 f[i-1,j-Wi]+Pi( j >= Wi )，Pi为当前决策的回报，f[i-1,j-Wi]为转移到状态的回报；不放就是 f[i-1,j] ，保留之前的价值。

例子转载于http://blog.csdn.net/mu399/article/details/7722810，但在此基础上更一步说明求解过程。

先不管该题中的数据是否正确，我们只理解方法。动态规划有几个主要内容，状态，行为，状态转移以及回报。

状态：背包还可以承重多少，例子中共有10个状态。

行为：眼前的这个物品是放还是不放。就如同例子中，按e,d,c,b,a的顺序，依次决定这个东西在每个可能的承重状态下，放还是不放。

状态转移：放入该物体后，背包可承重发生变化；不放的话则不变。

回报：即背包内物体具有的价值。

迭代过程从e开始，迭代次数为物品个数，即5。每次迭代计算10个状态的总价值。最后一步计算出每个状态的最优值，过程中记录下来的行为即为最优行为。

那么至于为什么这么迭代求解出来的值为最优值呢？其实就是把问题分解成了子问题，且使得每个子问题最优。比如，第三次迭代，也就是决定c放不放的时候。状态为9，若放了c，则仅剩下3以下重量的可以放。在第2次迭代时已经保证了得到了若只能放3的最优行为，则可以计算放c后的总价值，若不放则保持之前计算的价值。max保证了每次迭代的最优。

动态规划，把一个问题划分成了多阶段决策过程，通过迭代进行求解。与分治法不同的是，很多子问题未重复求解，减小了求解次数，提高了运算效率。但难点其实就是找最优子结构。