01背包与完全背包理解

01背包

问题描述：一共有N件物品，第i（i从1开始）件物品的重量为w[i]，价值为v[i]。在总重量不超过背包承载上限W的情况下，能够装入背包的最大价值是多少？
递推公式理解：需要一个二维dp数组来记录状态，dp[i][j]表示当背包容量为j时从前i件物品所能构成的最大价值，初始化dp[i][0]=0(当背包容量为0时，不管什么情况下，最大价值都是0)，dp[0][j]=0(当从前0件物品排列组合装入背包时，不管背包的容量为多少。最大价值也是0)。递推得到的dp数组的最后一个值即为问题的最大价值。

if(w[i]>j){
//如果当前物品的重量大于背包的容量，
//则背包肯定装不进这件物品，此时背包的最大价值，
//肯定是之前计算的从前i-1个物品选择所构成的最大价值dp[i-1][j]
	dp[i][j] = dp[i-1][j];
}
else{
/**
如果当前物品的重量小于等于背包的容量，则需要考虑当前背包要不要装物品i
（1）dp[i-1][j] 是不装物品i的最大价值
（2）dp[i-1][j-w[i]]+v[i] 是装物品i的最大价值（如果选择装进物品i，
则需要向前寻找，前i-1个物品，在背包容量为 j-w[i] 时的最大价值，
即为dp[i-1][j-w[i]]，在加上物品i的价值）
从（1）（2）中选择最大值，即为从前i件物品所能构成的最大价值
**/
	dp[i][j] = max{dp[i-1][j],dp[i-1][j-w[i]]+v[i]};
}

完全背包

问题描述：完全背包（unbounded knapsack problem）与01背包不同就是每种物品可以有无限多个：一共有N种物品，每种物品有无限多个，第i（i从1开始）种物品的重量为w[i]，价值为v[i]。在总重量不超过背包承载上限W的情况下，能够装入背包的最大价值是多少？
递推公式理解：需要一个二维dp数组来记录状态，dp[i][j]表示当背包容量为j时从前i件物品所能构成的最大价值，初始化dp[i][0]=0(当背包容量为0时，不管什么情况下，最大价值都是0)，dp[0][j]=0(当从前0件物品排列组合装入背包时，不管背包的容量为多少。最大价值也是0)。递推得到的dp数组的最后一个值即为问题的最大价值。

if(w[i]>j){
//如果当前物品的重量大于背包的容量，
//则背包肯定装不进这件物品，此时背包的最大价值，
//肯定是之前计算的从前i-1个物品选择所构成的最大价值dp[i-1][j]
	dp[i][j] = dp[i-1][j];
}
else{
/**
如果当前物品的重量小于等于背包的容量，则需要考虑当前背包要不要装物品i
（1）dp[i-1][j] 是不装物品i的最大价值
（2）dp[i][j-w[i]]+v[i] 是装物品i的最大价值（如果选择装进物品i，
则需要向前寻找,前i个物品，在背包容量为 j-w[i] 时的最大价值，
即为dp[i][j-w[i]]，再加上物品i的价值）

这里与01背包不同的时，为什么选择装物品i时，还要向前寻找前i个物品，
在背包容量为 j-w[i] 时的最大价值，
而不是向前寻找前 i-1个 物品背包容量为 j-w[i] 时的最大价值？

宏观上理解是因为完全背包的物品可以重复利用，
当背包容量为 j-w[i] 时可能已经放入了第i件物品。
详细的推导公式读者可自行搜索。

从（1）（2）中选择最大值，即为从前i件物品所能构成的最大价值
**/
	dp[i][j] = max{dp[i-1][j],dp[i][j-w[i]]+v[i]};
}

这两种背包问题还可以通过滚动数组的形式将空间复杂度降到O（n），这里没有列出。