【C++题解】动态规划-背包问题

核心是吃透DP中的重要分支——背包问题。

昨天发的那个版本排版不行，所以今天重新发一个,然后把01背包题解配上了

下午 (4小时): 动态规划专题——背包问题

背包问题是动态规划中的一个庞大家族，它通过“选择”与“不选择”的决策来求解在有限“容量”下的最优解。掌握背包模型，不仅能解决模板题，更能帮助您识别出许多实际问题背后的DP本质。

练习计划概览

• 总时长: 约 4 小时

• 核心目标:

  1. 掌握 0-1背包 的状态定义、状态转移方程以及空间优化（滚动数组）的实现。

  2. 掌握 完全背包 的模型，并深刻理解其与0-1背包在空间优化实现上的核心差异（循环顺序）。

  3. 学习识别背包问题的变种，将实际问题抽象为背包模型。

  4. 通过CCF真题，感受背包问题在实际竞赛中的应用。

第一部分：0-1 背包 —— 每种物品仅此一件 (约 1.5 小时)

这是最基础的背包模型：有N件物品和一个容量为V的背包，每件物品有自己的重量（或成本）和价值，每件物品最多只能选择一次。求解将哪些物品装入背包，可使这些物品的价值总和最大。

题解

#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

int main(){
    int time,n;
    cin >> time >> n;
    vector<pair<int,int>> v(n);
    vector<vector<int>> dp(n,vector<int>(time+1,0));
    for(int i=0;i<n;i++){
        cin >> v[i].first >> v[i].second;
    }
    // 初始化第一行：只考虑第一个物品
    for(int j=0;j<=time;j++){
        if(j>=v[0].first){
            dp[0][j] = v[0].second;
        }
    }
    // 填充dp表，从第二个物品开始
    for(int i=1;i<n;i++){
        for(int j=0;j<=time;j++){
            if(j>=v[i].first){
                dp[i][j] = max(dp[i-1][j],dp[i-1][j-v[i].first]+v[i].second);
            }else{
                dp[i][j] = dp[i-1][j];
            }
        }
    }
    cout << dp[n-1][time] << endl;
    return 0;
}

#include <iostream>
#include <vector>
#include <algorithm>
#include <climits>

using namespace std;

int main(){
    int n, m;
    cin >> n >> m;

    // 存储每本书的价格
    vector<int> price(n);
    int totalSum = 0;
    for(int i = 0; i < n; i++){
        cin >> price[i];
        totalSum += price[i];
    }

    // 如果所有书的总价都小于m，无法满足包邮条件
    if(totalSum < m){
        cout << 0 << endl;
        return 0;
    }

    // dp[i][j] 表示前i本书能否组成价格为j的组合
    // 由于价格可能很大，我们需要限制dp数组的大小
    // 最大价格不会超过所有书价格的总和
    vector<vector<bool>> dp(n + 1, vector<bool>(totalSum + 1, false));

    // 初始化：不选任何书，价格为0
    dp[0][0] = true;

    // 动态规划
    for(int i = 1; i <= n; i++){
        for(int j = 0; j <= totalSum; j++){
            // 不选第i本书
            dp[i][j] = dp[i-1][j];

            // 选第i本书（如果价格允许）
            if(j >= price[i-1]){
                dp[i][j] = dp[i][j] || dp[i-1][j - price[i-1]];
            }
        }
    }

    // 找到满足条件（>=m）的最小价格
    int minCost = INT_MAX;
    for(int j = m; j <= totalSum; j++){
        if(dp[n][j]){
            minCost = j;
            break;
        }
    }

    if(minCost == INT_MAX){
        cout << 0 << endl;
    } else {
        cout << minCost << endl;
    }

    return 0;
}

练习建议:

• 理解核心状态：dp[j] 的含义是“在容量限制为 j 的情况下，所能获得的最大价值”。

• 理解逆序遍历：在一维优化中，对容量 j 的逆序遍历是为了保证在计算 dp[j] 时，所依赖的 dp[j - weight[i]] 还是上一轮（即不包含物品 i）的状态。这样就保证了每个物品 i 最多只被放入一次。

第二部分：完全背包 —— 物品无限供应 (约 2 小时)

完全背包与0-1背包唯一的区别在于：每种物品可以被选择无限次。这个小小的改动，在代码实现上带来了奇妙的变化。

练习建议:

• 理解正序遍历：在完全背包的一维优化中，对容量 j 的正序遍历，使得我们在计算 dp[j] 时，所依赖的 dp[j - weight[i]] 可能已经是本轮（即已考虑物品 i）更新过的状态。这相当于允许物品 i 被重复选择，从而正确地实现了完全背包的逻辑。

• 化归思想：在做 货物调度 时，尝试将问题分解。对于每个仓库，先预处理出“从这个仓库卖出k件商品能获得的最大净利润”，然后问题就转化为了“有N个仓库（物品组），每个仓库有多种选择方案，求最大总利润”的分组背包问题。

目标达成自查 (约 0.5 小时)

完成以上练习后，进行复盘和总结：

1. 0-1背包 vs 完全背包:

   • 两种背包问题的核心区别是什么？（物品能否重复选取）。

   • 这个区别如何体现在一维空间优化的代码上？（0-1背包容量逆序遍历，完全背包容量正序遍历）。

2. 如何识别背包问题?

   • 问题是否可以描述为：从一堆“物品”中进行选择，放入一个有“容量”限制的“背包”里，以期达到“价值”最优？

   • “重量/成本”、“价值”、“容量”这些概念在题目中可能是以什么形式出现的？（例如“时间”、“花费”、“价格”、“满意度”、“资源限制”等）。

3. 背包问题的本质:

   • 背包DP的本质是一种“选择”的决策过程。对于每个物品，决策是“选”还是“不选”（0-1背包），或者是“选0件、1件、2件…”（完全背包/多重背包）。DP的过程就是记录下每个决策阶段的最优状态。