【知识点7】背包问题⭐⭐⭐⭐⭐

背包问题不仅仅只适用于求最优解的情况，它同样适用于计数型dp，求解可行等问题~这些问题没有最优解的帽子，看起来就不那么容易想到背包了

今天也是为了cc，努力奋斗的一天ヾ(≧▽≦*)o

0. 引言

背包问题是一类经典的动态规划问题，它有很多的形式，本节只介绍三种最简单的背包问题：

• 0-1背包问题
• 完全背包问题
• 多重背包问题

而在这三种背包中，又以 0-1背包为重。

之所以说“0-1背包最重要”是因为完全背包问题和多重背包问题都可以转换成0-1背包问题，而且大多数的背包问题是在0-1背包的基础上解决的。

1. 多阶段动态规划问题

• 定义
  有一类动态规划可解的问题，它可以描述成若干个有序的阶段，且每个阶段的状态只和上一个阶段的状态有关，一般把这类问题称为 多阶段动态规划问题。
• 举例
  如下图所示，问题被分为了5个阶段，其中状态F属于阶段3，它由阶段2的状态C和状态D推得。显然，对这种问题，只需要从第一个问题开始，按照阶段顺序解决每个阶段中的状态的计算，就可以得到最后一个阶段中的状态的解。
  这对设计状态的具体含义是很有帮助的，01背包问题就是这样一个例子。01背包的阶段就是物品们的编号1~n，阶段中的状态就是状态数组dp[i][j]。
• ⭐在我看来，多阶段动态规划问题的dp数组的维度通常是2维的，一个维度是阶段，一个维度是阶段中的状态。
• 为什么要讲解这样一个多阶段呢？
  因为正是因为多阶段，当前阶段的状态只与前一阶段的状态有关，所以我们可以将背包问题中的二维数组转换成一维数组。
  

2. 0-1背包问题

2.1 问题描述

0-1背包的注意事项：

• 背包可以不被装满（后面会有专门的题目说必须要求装满的）；
• 名字的由来：因为在最优解中，每个物品都有两种可能的情况，即在背包中或者不存在（背包中有0个该物品或者1个），所以我们把这个问题称为0-1背包问题。

2.2 暴力解决方案

时间复杂度为：$O(2^n)$

2.3 动态规划解决方案

时间复杂度为：$O(nV)$

状态定义

令dp[i][v]表示从前i件物品（1≤i≤n，0≤v≤V）选择物品装入容量为v的背包中所能获得的最大价值。 怎么求解dp[i][v]呢？

考虑对第i件物品的选择策略，只有两种策略：

1. 不放第i件物品，那么问题转换为前i-1件物品恰好装入容量为v的背包中所能获得的最大价值，也即dp[i-1][v]。
2. 放第i件物品，那么问题转化为前i-1件物品恰好装入容量为v-w[i]的背包中所能获得的最大价值，也即dp[i-1][v-w[i]]+c[i]。

状态转移方程

由于只有这两种策略，且要求获得最大价值，因此有：

上面这个就是状态转移方程。注意到dp[i][v]只与之前的状态dp[i-1][]有关，所以可以枚举i从1到n，v从0到V，通过边界dp[0][v] = 0(0≤v≤V)（即前0件物品放入任何容量v的背包中都只能获得价值0）就可以把整个dp数组递推出来。

因此可以写出代码：

for(int i=1;i<=n;i++){
	for(int v=w[i];v<=V;v++){
		dp[i][v] = max(dp[i-1][v],dp[i-1][v-w[i]]+c[i]);
	}
} 

可以知道，时间复杂度和空间复杂度都是$O(nV)$，其中时间复杂度已经无法再优化，但是空间复杂度还可以再优化。

代码如下：

for(int i=1;i<=n;i++){
	for(v = V; v >= w[i] ;v--){		//逆序枚举v 
		dp[v] = max(dp[v],dp[v-w[i]]+c[i]);
	}
}

这样01背包问题就可以用一维数组表示来解决了，空间复杂度为 $O(V)$。
特别说明：如果是用二维数组存放，v的枚举是顺序还是逆序都无所谓；如果使用一维数组存放，则v的枚举必须是逆序！
完整的求解01背包问题的代码如下：

#include<cstdio>
#include<algorithm>
using namespace std;

const int maxn = 100;	//物品最大件数
const int maxv = 1000;	//V的上限
int w[maxn],c[maxn],dp[maxv];

int main(){
	int n,V;
	scanf("%d%d",&n,&V);
	for(int i=1;i<=n;i++){
		scanf("%d",&w[i]);
	}
	for(int i=1;i<=n;i++){
		scanf("%d",&c[i]);
	}
	//边界
	for(int v=0;v<=V;v++){
		dp[v] = 0;
	}
	for(int i = 1;i<=n;i++){
		for(int v=V;v>=w[i];v--){
			//状态转移方程
			dp[v] = max(dp[v],dp[v-w[i]]+c[i]); 
		}
	}
	
	printf("%d\n",dp[V]);
	return 0; 
} 

事实上，对多阶段动态规划问题来说，都可以尝试把阶段作为状态的一维。

如果当前设计的状态不满足无后效性，那么不妨把状态进行升维，即增加一维或若干维来表示相应的信息，这样可能就满足无后效性。

2.4 恰好装满背包⭐⭐⭐⭐⭐

总结一下：

• 无论怎样dp[0][0] = 0；
• 如果是求最大值，那么dp[0][1~maxc]=-inf;（若大则负）
• 如果是求最小值，那么dp[[0]1~maxc]=inf;（若小则正）

3. 完全背包问题

3.1 问题描述

3.2 状态定义

同样，令dp[i][v]表示前i件物品放入容量为v的背包中能获得的最大价值。

和01背包一样，完全背包问题的每种物品都有两种策略，但是也有不同点。对第i件物品来说：

1. 不放第i件物品，那么dp[i][v] = dp[i-1][v]，这步跟01背包是一样的；
2. 放第i件物品。这里的处理和01背包有所不同。
   

3.3 状态转移方程

看上去和01背包很像是不是？其实唯一的区别就在于max的第二个参数是dp[i]而不是dp[i-1]。而这个状态转移方程同样可以改成一维的形式，即：

写成一维形式之后和01背包完全相同，唯一区别在于这里v的枚举顺序是 正向枚举，而01背包的一维形式中v必须是 逆向枚举。完全背包的一维形式代码如下：

• 怎么理解必须正向枚举呢？
  如下图所示，求解dp[i][v]需要它左边的dp[i][v-w[i]]和它上方的dp[i-1][v]，显然如果让v从小到大枚举，dp[i][v-w[i]]就总是已经计算出的结果；而计算出dp[i][v]之后dp[i-1][v]就再也用不到了，直接可以覆盖。
  

4. 多重背包问题——二进制表示法⭐⭐⭐⭐⭐

上面的二进制拆解就是用二进制的思想拆解数字k，从而可以 表示0~k中的任何数字 ，它是一种优化复杂度的方法。

其实也并不需要怎么特别理解，只需要举个例子就会了：

对于13，有：

13=[1+2+4] +6

对于7，有：

7=[1+2+4]

对于5，有：

5=[1+2]  +2

这样理解就好了~~

5. 题型训练

1. 【0-1背包基础入门题】采药
2. 【0-1背包基础入门题】点菜问题
3. 【0-1背包之必须充满背包】最小邮票数
4. 【完全背包基础入门，计数型背包】LeetCode 518. Coin Change 2
5. 【完全背包之必须充满背包】Piggy-Bank
6. 【多重背包】珍惜现在，感恩生活
7. ⭐⭐⭐【多重背包之可行解型】POJ 1014 Dividing

6. 参考文档

1. 算法笔记
2. 王道机试指南