动态规划 0-1背包问题

问题

给定n个物品和一背包，物品i的重量是wi，其价值是vi，背包的容量是m，问如何选择装入背包中的物品总价值最大？

解答思路

a) 把背包问题抽象化（X1，X2，…，Xn，其中 Xi 取0或1，表示第 i 个物品选或不选，类似指示器随机变量），Vi表示第 i 个物品的价值，Wi表示第 i 个物品的体积（重量）；
b) 建立模型，即求$max(V1X1+V2X2+…+VnXn)$；
c) 约束条件，$W1X1+W2X2+…+WnXn<capacity$；
d) 定义V(i,j)：当前背包容量 j，前 i 个物品最佳组合对应的价值；
e) 最优子结构是动态规划的基础，是指“一个问题的最优解包含其子问题的最优解”。判断该问题是否满足最优子结构，采用反证法证明：
假设(X1，X2，…，Xn)是01背包问题的最优解，则有(X2，X3，…，Xn)是其子问题的最优解；
假设(Y2，Y3，…，Yn)是上述问题的子问题最优解，则理应有(V2Y2+V3Y3+…+VnYn)+V1X1 > (V2X2+V3X3+…+VnXn)+V1X1；
而(V2X2+V3X3+…+VnXn)+V1X1=(V1X1+V2X2+…+VnXn)，则有(V2Y2+V3Y3+…+VnYn)+V1X1 > (V1X1+V2X2+…+VnXn)；
该式子说明(X1，Y2，Y3，…，Yn)才是该01背包问题的最优解，这与最开始的假设(X1，X2，…，Xn)是01背包问题的最优解相矛盾，故01背包问题具有最优子结构。
物品的加入顺序不对解答造成影响。

f) 寻找递推关系式，面对当前商品有两种可能性：
第一，当前背包的容量比该商品体积小，装不下，此时的价值与前i-1个的价值是一样的，即V(i,j)=V(i-1,j)；
第二，还有足够的容量可以装该商品，但装了也不一定达到当前最优价值，所以在装与不装之间选择最优的一个，即V(i,j)=max｛ V(i-1,j)，V(i-1,j-wi)+vi｝
其中V(i-1,j)表示不装，V(i-1,j-w(i))+v(i) 表示装了第i个商品，背包容量减少w(i)但价值增加了v(i)，同时剩余的物品应该是前i-1个物品；
由此可以得出递推关系式：
1)$j<w(i) V(i,j)=V(i-1,j)$
2) $j>=w(i) V(i,j)=max｛ V(i-1,j)，V(i-1,j-w(i))+v(i) ｝$
显然其具有重叠子问题。
易得反例，其不能使用贪心算法，但是分数背包可以。
时间复杂度是进行填表$O(mn)$，空间复杂度是$O(mn)$，也就是表。

举例

输入：

背包承重：5

物品序号\项目	重量	价值	单位重量价值（价值/重量）
1	1	3	3
2	2	5	2.5
3	3	6	2

递推矩阵

列是前i个物品；行是j，当前背包容量。

j\i	0	1	2	3
0	0	0	0	0
1	0	3	3	3
2	0	3	5	5
3	0	3	8	8
4	0	3	8	9
5	0	3	8	11

def boolKnapsack(weight, value, capacity):
    if len(weight) != len(value):
        return 'Some items do not have weight or value!'
    resMatrix = [[0 for i in range(len(weight) + 1)] for j in range(capacity + 1)]
    for i in range(1, capacity + 1):
    #注意这里i、j是行列号，j指示第几个物品，i说名当前背包容量
        for j in range(1, len(weight) + 1):
            if i < weight[j - 1]:
                resMatrix[i][j] = resMatrix[i][j - 1]
            else:
                resMatrix[i][j] = max(resMatrix[i][j - 1], resMatrix[i - weight[j - 1]][j -1] + value[j - 1])
    return resMatrix[capacity][len(weight)]