动态规划的01背包
01背包
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 }
杭电2602题
传送门：杭电2602题
坑点：
1
5 0
2 4 1 5 1
0 0 1 0 0
答案是12
过了题目数据和这组数据，基本就能AC了~
1、dp数组为二维的，没有进行压缩（但好理解）
基本思路：“将前 i 件物品放入容量为 v 的背包
中”这个子问题，若只考虑第 i 件物品的策略（放或不放），那么就可以转化
为一个只和前 i − 1 件物品相关的问题。如果不放第 i 件物品，那么问题就转化
为“前 i − 1 件物品放入容量为 v 的背包中”，价值为 F[i − 1,v] ；如果放第 i 件物
品，那么问题就转化为“前 i − 1 件物品放入剩下的容量为 v − C i 的背包中”，
此时能获得的最大价值就是 F[i − 1,v − C i ] 再加上通过放入第 i 件物品获得的
伪代码如下：
F[0,0…V ] ← 0
for i ← 1 to N
for v ← C i to V
F[i,v] ← max {F[i − 1,v],F[i − 1,v − C i ] + W i }
#include<iostream>
#include<cstring>
#include<cmath>
using namespace std;
int n,m; //n为物品的个数，m为书包的承重
int value[1005]; //value为各物品的价值
int weight[1005]; //weight为个物品的重量
int dp[1005][1005]; //dp数组
int bag() //0-1背包
{
memset(dp,0,sizeof(dp)); //初始化dp数组
for(int i=1;i<=n;i++) //遍历所有物品
{
for(int j=0;j<=m;j++) //遍历所有重量
{
if(weight[i]>j) dp[i][j]=dp[i-1][j];
//当前物品的重量超过背包的承载重量，则不加入，依旧是上一次的价值
else if(dp[i-1][j]>dp[i-1][j-weight[i]]+value[i])
dp[i][j]=dp[i-1][j];
else dp[i][j]=dp[i-1][j-weight[i]]+value[i];
//比较加入物品和不加入物品，取最大值
}
}
return dp[n][m]; //返回结果
}
int main()
{
int result,t;
cin>>t;
while(t--) //输入物品数量和背包的承载重量
{
cin>>n>>m;
for(int i=1;i<=n;i++) //输入物品的价值
cin>>value[i];
for(int i=1;i<=n;i++) //输入物品的重量
cin>>weight[i];
result=bag();
cout<<result<<endl;
}
return 0;
}
2、优化空间复杂度，dp数组为一维
基本思路：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）能够取用 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 的递减顺序计算 F[v] ，
这样才能保证计算 F[v] 时 F[v − C i ] 保存的是状态 F[i − 1,v − C i] 的值。**伪代码如
下：
F[0…V ]←0
for i ← 1 to N
for v ← V to C i
F[v] ← max {F[v],F[v − C i ] + W i }
由dp[i][w]=max(dp[i-1][w-w[i]]+c[i], dp[i-1][w]可以看出要求第i组的dp [w]需要的是第i-1组的dp[w-w[i]]+c[i]和dp[w]，即求dp[w]时需要当前的数据和w位置前的数据，因此求第i组的时候需要逆序求解，这样可以保证求dp[w]时所需的两个数据都是上一组的，而且当w＜w[i]时dp[w]=dp[w]，
因此只要循环M…w[i]即可
#include<iostream>
#include<cstring>
#include<cmath>
using namespace std;
int n,m; //n为物品的个数，m为书包的承重
int value[1050]; //value为各物品的价值
int weight[1050]; //weight为个物品的重量
int dp[1050]; //dp数组
int bag() //0-1背包
{
memset(dp,0,sizeof(dp)); //初始化dp数组
for(int i=1;i<=n;i++) //遍历每一个背包
for(int j=m;j>=weight[i];j--) //逆序遍历每一个背包的重量
{ // 取最大值
if(dp[j]>dp[j-weight[i]]+value[i])
dp[j] = dp[j];
else dp[j]=dp[j-weight[i]]+value[i];
}
return dp[m]; //返回重量m的最大价值
}
int main()
{
int result,t;
cin>>t; //输入例子数
while(t--)
{
cin>>n>>m;
for(int i=1;i<=n;i++)
cin>>value[i]; //输入价值
for(int i=1;i<=n;i++)
cin>>weight[i]; //输入重量
result=bag(); //得到结果
cout<<result<<endl;
}
return 0;
}
3、初始化的细节问题
我们看到的求最优解的背包问题题目中，事实上有两种不太相同的问法。
有的题目要求“恰好装满背包”时的最优解，有的题目则并没有要求必须把背
包装满。一种区别这两种问法的实现方法是在初始化的时候有所不同。
如果是第一种问法，要求恰好装满背包，那么在初始化时除了 F[0] 为 0 ，其
它 F[1…V ] 均设为 −∞ ，这样就可以保证最终得到的 F[V ] 是一种恰好装满背包的
最优解。
如果并没有要求必须把背包装满，而是只希望价格尽量大，初始化时应该
将 F[0…V ] 全部设为 0 。
这是为什么呢？可以这样理解：初始化的 F 数组事实上就是在没有任何物
品可以放入背包时的合法状态。如果要求背包恰好装满，那么此时只有容量
为 0 的背包可以在什么也不装且价值为 0 的情况下被“恰好装满”，其它容量的
背包均没有合法的解，属于未定义的状态，应该被赋值为-∞了。如果背包并非
必须被装满，那么任何容量的背包都有一个合法解“什么都不装”，这个解的
价值为 0 ，所以初始时状态的值也就全部为 0 了。
这个小技巧完全可以推广到其它类型的背包问题。