01背包问题，最良心的讲解了 - 好文

1、动态规划（DP）

　　动态规划（Dynamic
Programming，DP）与分治区别在于划分的子问题是有重叠的，解过程中对于重叠的部分只要求解一次，记录下结果，其他子问题直接使用即可，减少了重复计算过程。
　　另外，DP在求解一个问题最优解的时候，不是固定的计算合并某些子问题的解，而是根据各子问题的解的情况选择其中最优的。
　　动态规划求解具有以下的性质：
　　最优子结构性质、子问题重叠性质　　
　　最优子结构性质：最优解包含了其子问题的最优解，不是合并所有子问题的解，而是找最优的一条解线路，选择部分子最优解来达到最终的最优解。
　　子问题重叠性质：
先计算子问题的解，再由子问题的解去构造问题的解（由于子问题存在重叠，把子问题解记录下来为下一步使用，这样就直接可以从备忘录中读取）。其中备忘录中先记录初始状态。

<>2、求解思路

　　①、将原问题分解为子问题（子问题和原问题形式相同，且子问题解求出就会被保存）；
　　②、确定状态：01背包中一个状态就是NN个物体中第ii个是否放入体积为VV背包中；
　　③、确定一些初始状态（边界状态）的值；
　　④、确定状态转移方程，如何从一个或多个已知状态求出另一个未知状态的值。（递推型）

<>3、01背包问题求解思路

　　①、确认子问题和状态
　　01背包问题需要求解的就是，为了体积V的背包中物体总价值最大化，NN件物品中第ii件应该放入背包中吗？（其中每个物品最多只能放一件）
　　为此，我们定义一个二维数组，其中每个元素代表一个状态，即前ii个物体中若干个放入体积为VV背包中最大价值。数组为：f[N][V]f[N][V]，其中fij
fij表示前ii件中若干个物品放入体积为jj的背包中的最大价值。
　　②、初始状态
　　初始状态为f[0][0−V]f[0][0−V]和f[0−N][0]f[0−N][0]
都为0，前者表示前0个物品（也就是空物品）无论装入多大的包中总价值都为0，后者表示体积为0的背包啥价值的物品都装不进去。
　　③、转移函数
if (背包体积j小于物品i的体积) f[i][j] = f[i-1][j] //背包装不下第i个物体，目前只能靠前i-1个物体装包 else
f[i][j] =max(f[i-1][j], f[i-1][j-Vi] + Wi)
　　最后一句的意思就是根据“为了体积V的背包中物体总价值最大化，NN件物品中第ii件应该放入背包中吗？”转化而来的。ViVi表示第ii件物体的体积，WiWi
表示第ii件物品的价值。这样f[i-1][j]代表的就是不将这件物品放入背包，而f[i-1][j-Vi] +
Wi则是代表将第i件放入背包之后的总价值，比较两者的价值，得出最大的价值存入现在的背包之中。

<>4、程序
#include<iostream> using namespace std; int main() { int nArr[6][13] = {{0}};
int nCost[6] = {0 , 2 , 5 , 3 , 10 , 4}; //花费 int nVol[6] = {0 , 1 , 3 , 2 , 6 ,
2}; //物体体积 int bagV = 12; for( int i = 1; i< sizeof(nCost)/sizeof(int); i++) {
for( int j = 1; j<=bagV; j++) { if(j<nVol[i]) nArr[i][j] = nArr[i-1][j]; else
nArr[i][j] = max(nArr[i-1][j] , nArr[i-1][j-nVol[i]] + nCost[i]); cout
<<nArr[i][j]<<' '; } cout<<endl; } cout<<nArr[5][12]<<endl; return 0; }
*

　　01背包问题其实就可以化简为涂写下面的表格，其中每个数对应数组nArr中每个元素，初始化部分为0，然后从左上角按行求解，一直求解到右下角获取最终解nArr[5][12]。

<>
5、空间优化

　　l) 空间优化，每一次f(i)(j)改变的值只与f(i-1)(x) {x:1...j}有关，f(i-1)(x)是前一次i循环保存下来的值；

　　因此，可以将f缩减成一维数组，从而达到优化空间的目的，状态转移方程转换为 B(j)= max{B(j), B(j-w(i))+v(i)}；

　　并且，状态转移方程，每一次推导V(i)(j)是通过V(i-1)(j-w(i))来推导的，所以一维数组中j的扫描顺序应该从大到小(capacity到0)，否者前一次循环保存下来的值将会被修改，从而造成错误。

热门工具换一换