精析背包四讲

No1.
01背包：
题套：
有N件物品和一个容量为V的背包。第i件物品的体积是c[i]，价值是w[i]。求解将哪些物品装入背包可使这些物品的体积总和不超过背包容量，且价值总和最大。

基本思路 ：
这是最基础的背包问题，特点是：每种物品仅有一件，可以选择放或不放。

用子问题定义状态：即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。则其状态转移方程便是：f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}（易得）。

降维：
先考虑上面讲的基本思路如何实现，肯定是有一个主循环i=1..N，每次算出来二维数组f[i][0..V]的所有值。那么，如果只用一个数组f [0..V]，能不能保证第i次循环结束后f[v]中表示的就是我们定义的状态f[i][v]呢？f[i][v]是由f[i-1][v]和f[i-1] [v-c[i]]两个子问题递推而来，能否保证在推f[i][v]时（也即在第i次主循环中推f[v]时）能够得到f[i-1][v]和f[i-1][v -c[i]]的值呢？事实上，这要求在每次主循环中我们以v=V..0的顺序推f[v]，这样才能保证推f[v]时f[v-c[i]]保存的是状态f[i -1][v-c[i]]的值。

**换句话说，f[]就是个滚动数组，它只记录 i -1时刻的值和 i时刻的值，而如果v从0往V推，那么数组记录的i-1时刻的值就将被覆盖掉，从而错误。**

for(int i=1;i<=n;i++)
 for(int j=V;j>=c[i];j--)
    f[j]=max(f[j],f[j-c[i]]+w[i]);

No2.
完全背包：
题套：
有N种物品和一个容量为V的背包，每种物品都有无限件可用。第i种物品的体积是c[i]，价值是w[i]。求解将哪些物品装入背包可使这些物品的体积总和不超过背包容量，且价值总和最大。

基本思路：
这个问题非常类似于01背包问题，所不同的是每种物品有无限件。也就是从每种物品的角度考虑，与它相关的策略 已并非取或不取两种，而是有取0件、取1件、取2件……等很多种。如果仍然按照解01背包时的思路，令f[i][v]表示前i种物品恰放入一个容量为v的背包的最大权值。仍然可以按照每种物品不同的策略写出状态转移方程，像这样：f[i][v]=max{f[i-1][v-k*c[i]]+k*w[i]|0<=k*c[i]<= v}。这跟01背包问题一样有O(N*V)个状态需要求解，但求解每个状态的时间则不是常数了，求解状态f[i][v]的时间是O(v/c[i])，总的复杂度是超过O(VN)的。

一个简单有效的优化:
完全背包问题有一个很简单有效的优化，是这样的：若两件物品i、j满足c[i]<=c[j]且w[i]>=w[j]，则将物品j去掉，不用考虑。这个优化的正确性显然：任何情况下都可将价值小体积高得j换成物美价廉的i，得到至少不会更差的方案。对于随机生成的数据，这个方法往往会大大减少物品的件数，从而加快速度。然而这个并不能改善最坏情况的复杂度，因为有可能特别设计的数据可以一件物品也去不掉。

转化为01背包问题求解
既然01背包问题是最基本的背包问题，那么我们可以考虑把完全背包问题转化为01背包问题来解。最简单的想法是，考虑到第i种物品最多选V/c [i]件，于是可以把第i种物品转化为V/c[i]件体积及价值均不变的物品，然后求解这个01背包问题。这样完全没有改进基本思路的时间复杂度，但这毕竟给了我们将完全背包问题转化为01背包问题的思路：将一种物品拆成多件物品。

更高效的转化方法是：把第i种物品拆成费用为c[i]2^k、价值为w[i]*2^k的若干件物品，其中k满足c[i]*2^k小于V。这是二进制的思想，因为不管最优策略选几件第i种物品，总可以表示成若干个2^k件物品的和。这样把每种物品拆成O(log(V/c[i]))件物品，是一个很大的改进。但我们有更优的O(VN)的算法。 O(VN)的算法这个算法使用一维数组，先看伪代码：

for i=1..N for v=0..V f[v]=max{f[v],f[v-c[i]]+w[i]}; 

你会发现，这个伪代码与No1.的伪代码只有v的循环次序不同而已。为什么这样一改就可行呢？首先想想为什么P01中要按照v=V..0的逆序来循环。这是因为要保证第i次循环中的状态f[i][v]是由状态f[i-1][v-c[i]]递推而来。换句话说，这正是为了保证每件物品只选一次，保证在考虑“选入第i件物品”这件策略时，依据的是一个绝无已经选入第i件物品的子结果f[i-1][v-c[i]]。而现在完全背包的特点恰是每种物品可选无限件，所以在考虑“加选一件第i种物品”这种策略时，却正需要一个可能已选入第i种物品的子结果f[i][v-c[i]]，所以就可以并且必须采用v= 0..V的顺序循环。这就是这个简单的程序为何成立的道理。

No3.
多重背包问题：
题套：
一个背包，承量有限为W，有n种物体，第i种物体，价值Vi，占用重量为 Wi，且有Ci件，选择物品若干放入背包，使得总重量不超过背包的承重。总价值最大？

基本思路：
我们可用二的幂来做。我们把第i种物品看成单个的，一个一个的，我们想想二进制，任何一个数都可以由二的幂表示。
我们试试看，比如Ci = 14，我们可以把它化成如下4个物品：
重量是1*Wi，体积是1*Vi
重量是2 * Wi , 体积是2 * Vi
重量是4 * Wi , 体积是4 * Vi
重量是7 * Wi , 体积是7 * Vi

最后一个物品的件数的求法和前面不同，其直接等于 该物品的最大件数 - 前面已经分配之和。最后我们不能取8，重量是8 * Wi , 体积是8 * Vi 因为那样总的个数是1 ＋ 2 ＋ 4 ＋ 8 ＝ 15个了，我们不能多取对吧？
我们用这4个物品代替原来的14个物品，大家可以试试原来物品无论取多少个，重量和体积都可以靠我们这几个物品凑出来，这说明我们这种分配方式和原来是等价的。
1，2，4，8…… 同时Ci减去这些值，如果Ci不够减了，则把最后剩余的算上，同时我们体积也对应乘以这些系数。这样Ci个同一种物品，被我们变成了logCi个物品了。于是按照0-1背包的做法，时间复杂变为O(W * sigma(logCi))了，降了很多。

int main()
{
    int W,V,C,cnt=0;
    cin>>n>>m;
    for(int i=1;i<=n;i++)
    {
        cin>>W>>V>>C;
        for(int j=1;;j*=2)
        {
            if(C>=j){w[cnt]=j*W;v[cnt]=j*V;C-=j;cnt++;}
            else {w[cnt]=C*W;v[cnt]=C*V;cnt++;break;}
        }
    }

    for(int i=0;i<cnt;i++)
    {
        for(int j=m;j>=w[i];j--)
        {
            dp[j]=max(dp[j],dp[j-w[i]]+v[i]);
        }
    }
    cout<<dp[m]<<endl;
    return 0 ;
}

No.4
混合背包：
01背包与完全背包的混合：
考虑到在No.1和No.2中最后给出的伪代码只有一处不同，故如果只有两类物品：一类物品只能取一次，另一类物品可以取无限次，那么只需在对每个物品应用转移方程时，根据物品的类别选用顺序或逆序的循环即可，复杂度是O(VN)。伪代码如下：

for i=1..N 
if 第i件物品是01背包 
for v=V..0   
f[v]=max{f[v],f[v-c[i]]+w[i]}; 
else if 第i件物品是完全背包 
for v=0..V 
f[v]=max{f[v],f[v-c[i]]+w[i]};