0-1 背包问题

所有的动态规划都是 遍历所有的状态 再对所有的选择求最优值
会变化的就是状态;导致状态变化的动作就是选择
根据会变化的就是状态;建立dp数组,状态的个数决定了dp数组的维度或者HashMap+"_"+数

题目就是这么简单，一个典型的动态规划问题。题目就是这么简单，一个典型的动态规划问题。这个题目中的物品不可以分割，要么装进包里，要么不装，不能说切成两块装一半。这也许就是 0-1 背包这个名词的来历。 这也许就是 0-1 背包这个名词的来历。
解决这个问题没有什么排序之类巧妙的方法，只能穷举所有可能，根据 动态规划套路详解 中的套路，直接走流程就行了。
第一步要明确两点，「状态」和「选择」。
先说状态，如何才能描述一个问题局面？只要给定几个可选物品和一个背包的容量限制，就形成了一个背包问题，对不对？所以状态有两个，就是「背包的容量」和「可选择的物品」。

再说选择，也很容易想到啊，对于每件物品，你能选择什么？ 选择就是「装进背包」或者「不装进背包」。
明白了状态和选择，动态规划问题基本上就解决了，只要往这个框架套就完事儿了：

for 状态1 in 状态1的所有取值：
    for 状态2 in 状态2的所有取值：
        for ...
            dp[状态1][状态2][...] = 择优(选择1，选择2...)

第二步要明确dp数组的定义。首先看看刚才找到的「状态」，有两个，也就是说我们需要一个二维dp数组，一维表示可选择的物品，一维表示背包的容量。
PS：为什么要这么定义？便于状态转移，或者说这就是套路

int dp[N+1][W+1]
dp[0][..] = 0
dp[..][0] = 0 

for i in [1..N]:
    for w in [1..W]:
        dp[i][w] = max(
            把物品 i 装进背包,
            不把物品 i 装进背包
        )
return dp[N][W] 

第三步，根据「选择」，思考状态转移的逻辑。
简单说就是，上面伪码中「把物品i装进背包」和「不把物品i装进背包」怎么用代码体现出来呢？
这一步要结合对dp数组的定义和我们的算法逻辑来分析：

for i in [1..N]:
    for w in [1..W]:
        dp[i][w] = max(
            dp[i-1][w],
            dp[i-1][w - wt[i-1]] + val[i-1]
        )
return dp[N][W]