四种背包问题总结

1、01背包

问题描述：有n种物品，每种物品有价值v和重量w，给定一个容量为c的背包，每种物品只能选一个，求背包能装物品的最大价值。

解法：用dp(i)( c)来表示当前背包剩余容量为c时，前i个物品的最大价值。

之所以用这两个状态，是因为背包不同容量时候，选择也不一样。

状态转移情况是选择或者不选择第i个物品，状态方程为：

(注意这个选择或者不选择第i个物品，它表示组合数，与顺序无关，尽管我们是按照顺序列举i的，但是我们列举第i个的时候就默认包含了所有的0-i，顺序列举只是为了拆分子问题。这和爬楼梯问题有本质区别，爬楼梯是有顺序的，是排列数，是:dp[n]=dp[n-1]+dp[n-2])

dp(i)( c) = max( dp(i-1)( c), dp(i-1)(c-wi)+vi );

public int f(int[] v,int w[],int n){
    int[][] dp = new int[n+1][C+1];//此时初始化为0，不需要单独写
	for(int i = 1;i<=n;i++){
    	for(int c=1;c<=C;c++){
       		if(w[i]>c){
            	dp[i][c]=dp[i-1][c];
        	}
        	else{
            	d[i][c] = Math.max(dp[i-1][c],dp[i-1][c-w[i]]+v[i]);
        	}
    	}
    return dp[n][c];
	}
}

有代码可见,每一行的状态只和上一行有关系，因此可以用空间压缩：

public int f(int[] v,int w[],int n){
    int[] dp = new int[C+1];
	for(int i = 1;i<=n;i++){
    	for(int c=C;c>=w[i];c--){//倒序是为了防止覆盖
            d[c] = Math.max(dp[c],dp[c-w[i]]+v[i]);
    	}
    return dp[c];
	}
}

若题目要求恰好装满的最大价值，则没恰好装满的情况都是无解的情况，此时只需要改变初始值就可以，这样，不能恰好装满的都会被无穷小填充。

见leetcode 分割等和子集（这也是亲身经历惨痛的腾讯面试题）

public int f(){
    int[][] dp = new int[n+1][C+1];
    for(int i =1;i<=C;i++){
        dp[0][i]=Integer.MIN_VALUE;
    }
    dp[0][0]=0;
	for(int i = 2;i<=n;i++){
    	for(int c=1;c<=C;c++){
       		if(w[i]>c){
            	dp[i][c]=dp[i-1][c];
        	}
        	else{
            	d[i][c] = Math.max(dp[i-1][c],dp[i-1][c-w[i]]+v[i]);//此处控制无解情况
                //若不选第i个，则由i-1个控制，若选择，则由dp[i-1][c-w[i]]控制
        	}
    	}
    return dp[n][c];
	}
}

爬楼梯问题：

有n个台阶，每次可以上w=[1,2,3,4]个台阶，问从0爬到n有多少种方法。

解法：每次列举w，状态方程dp[n]=dp[n-w[0]]+dp[n-w[1]]+…+dp[n-w[m]]

此题看似和背包问题比较相似，但是有很大区别，比如第一步走1个台阶，第二步走两个台阶，和第一步走两个第二步走一个不是同一情况。但是对于背包，则没有先后之分，都一样。

2、完全背包

问题描述：有n种物品，每种物品有价值v和重量w，给定一个容量为c的背包，每种物品可以选任意个，求背包能装物品的最大价值。

这个问题和01背包的区别是，我们进行状态转移时候，不仅考虑选或者不选，而是选0件，选1件，一直到选C/w[i]件。

可以写出状态方程：

dp[i][j] = Math.max(dp[i-1][j],dp[i-1][j-w[i]]+v[i],dp[i-1][j-2w[i]]+2v[i]...)
//dp[i][j]表示前i个物品组成最大容量为j的背包的最大价值

此时解题的代码可以写为：

public int f(){
    int[][] dp = new int[n+1][C+1];
	for(int i = 1;i<=n;i++){
    	for(int j=1;j<=C;j++){
       		for(int k=0;k*w[i]<j;k++){
                dp[i][j]=Math.max(dp[i][j],dp[i-1][j-k*w[i]]+k*v[i]);
            }
    	}
    return dp[n][c];
	}
}

上述的复杂度是C^2 *N,考虑优化状态方程：

dp[i][j] = Math.max(dp[i-1][j],dp[i-1][j-w[i]]+v[i],dp[i-1][j-2w[i]]+2v[i]...)(1)
    
把dp[i][j-w[i]]带入上述方程：
dp[i][j-w[i]]=Math.max(dp[i-1][j-w[i]],dp[i-1][j-2w[i]]+v[i]...)(2)
    
dp[i][j-w[i]]+v[i]=v[i]+Math.max(dp[i-1][j-w[i]],dp[i-1][j-2w[i]]+2v[i]...)(3)
=Math.max(dp[i-1][j-w[i]]+v[i],dp[i-1][j-2w[i]]+2v[i]...)(4)
    
公式(1)中的后面的项和公式(4)后面的项一样，可以合并:

dp[i][j]=Math.max(dp[i-1][j],dp[i][j-w[i]]+v[i])

由此我们得到优化的转移方程，复杂度是C*n。

dp[i][j]=Math.max(dp[i-1][j],dp[i][j-w[i]]+v[i])

上述方程也可以有另一种解释：对于第i个物品，我们面临两种互补的选择：要么不选i，要么至少选一个i，两种情况不仅互斥，他们的并集就是全集，所以称之为互补。至于为什么至少选一个i是这种形式:

dp[i][j-w[i]]+v[i]

因为我们要消除选择一个i带来的影响，而不管接下来会怎么样，就是至少选择一个。就像正则表达式匹配一样。正则表达式匹配

3、多重背包

问题描述：有n种物品，每种物品有价值v和重量w，给定一个容量为c的背包，每种物品可以选p个，求背包能装物品的最大价值。

此问题明显是完全背包的变形，可以和完全背包几乎一样，只是多了一个最多p个的判断：

public int f(){
    int[][] dp = new int[n+1][C+1];
	for(int i = 1;i<=n;i++){
    	for(int j=1;j<=C;j++){
       		for(int k=0;k*w[i]<j && k<=p[i];k++){
                dp[i][j]=Math.max(dp[i][j],dp[i-1][j-k*w[i]]+k*v[i]);
            }
    	}
    return dp[n][c];
	}
}

4、分组背包

问题描述: 物品被划分为若干组，每组中的物品互相冲突，最多选一件。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

问题变成了每组选或者不选

状态方程为：

f[k][j]=max(f[k−1][j],f[k−1][j−c[i]]+w[i]∣物品i属于组k)