🚀 优质资源分享 🚀

学习路线指引（点击解锁）	知识定位	人群定位
🧡 Python实战微信订餐小程序 🧡	进阶级	本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。
💛Python量化交易实战💛	入门级	手把手带你打造一个易扩展、更安全、效率更高的量化交易系统

动态规划解0-1背包问题

动态规划解0-1背包问题是一个十分典型案例，我从网上查询好多相关资料，但是大部分都深奥难懂，并不适合初学算法的小白，其中涉及的递推关系式、填表，以及最后的二维表简化为一维表的优化过程，好多都是一笔带过，所以，今天就尽我所能，来叙述一下对于0-1背包问题使用动态规划来求解。
要解决0-1背包问题，首先咱们要解决的是什么是动态规划。

动态规划

先说一说什么是动态规划。
动态规划算法与分治算法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。
这里又涉及到分治算法，那就简单概述一下分治算法。
分治算法简而言之就是将一个大问题分成若干个小问题，通过求解小问题的最优解，进而推出所求解问题的最优解。
这么乍一看，可能会觉得分治算法与动态规划相类似，实际上，他们有一个最本质的区别，那就是子问题的类型不同。
分治算法的子问题是相互独立的，子问题与子问题之间并没有什么关联。而动态规划的子问题就有意思了，他们是重叠的子问题。这么单纯的用文字来描述可能有点难以理解，我们借用一张图来声明

从这张图我们可以看出，当我们对所求问题进行子问题划分时，会产生很对相同的子问题，这些子问题在计算机中我们已经求得结果一次，再另一个子问题中，我们如果再让计算机求解相同的子问题，显然有点不太地道。
而这种一遍一遍求解相同子问题，如果当问题为n时，显然我们付出的时间是相当大的。
为了解决这个问题，动态规划表示，可以用一张数组来记录下我们之前已经求解的子问题结果，当我们再次调用时，只需先从数组中查询是否有所求子问题的结果，如果有，皆大欢喜，直接把答案调出来使用，如果没有，就将该问题的解存储进去，为了下一次查询提供结果。
这么看来，我们就是在用空间换时间，实际上就是如此。
简单来说，求解动态规划的核心是穷举，因为要求最值，所以要把所有可行的答案穷举出来，然后在其中找最值。而在我们穷举的过程中，我们会把碰到的解相同的子问题用一个数组记录下来。

通过上述所言，我们讲清楚了什么是动态规划。

进而，我们可以总结出，要想使用动态规划，我们的问题必不可少两个基本要素是：

• 最优子结构性质
• 重叠子问题

当我们的问题具备这两个基本要素后，我们便可以考虑使用动态规划来求解问题。

0-1背包问题

实现我们来了解一下什么是0-1背包问题。
在学习到动态规划算法之前，相想必我们也接触过贪心算法。
而在贪心算法中，我们也肯定接触过一个经典案例，那就是用贪心算法求解背包问题。
没接触过也没有关系，我们只是用贪心算法解背包问题来类比一下，所以我们只需要了解用贪心算法解决背包问题的大体思路
用贪心算法解背包问题的基本步骤： 首先计算每种物品单位重量的价值v[i]/w[i]，然后，依贪心选择策略，将尽可能多的单位重量价值最高的物品装入背包。若将这种物品全部装入背包后，背包内的物品总重量未超过C，则选择单位重量价值次高的物品并尽可能多地装入背包。依此策略一直地进行下去，直到背包装满为止。
贪心算法解决背包问题，无疑是一种十分方便的方法，但是在0-1背包问题中，我们增加了一条限制，就是我们并不能取得平均价值，比如说一个苹果重5斤，价值是5，平均价值是1，但是当背包还剩下2斤的容量时，我们不可能装下2/5个苹果，所以，就衍生出来了我们的0-1背包问题：

有n个物品，它们有各自的体积和价值，现有给定容量的背包，如何让背包里装入的物品具有最大的价值总和？

那么我们就来解决一下这个不可分割的背包问题。
解题之前先要梳理思路，该题的思路是一般动态规划的解题思路，就是将大问题化成子问题，然后动态填表的过程。而该题的核心是如何动态填表。

背包问题抽象化

把背包问题抽象化，Vi表示第 i 个物品的价值，Wj表示第 i 个物品的体积（重量），设dp[i][j]为背包为j时前i个物品的总价值。
也就是说，dp[1]2]的值就是我们背包为2时，装入第一个物品时的总价值。
在这里不得不说一句，我们的i，j最好是从1开始取值，因为在我们的递推方程中，我们可以看到[j-1],[i-1],这时如果我们从0开始取值，我们就会发现出现数组越界的现象。
在这里可能会很难看出我们的状态转移方程，我们不妨打表来推出我们的dp数组。（dp就是我们的递推数组，i表示物品，j表示背包容量，dp值为总价值）
这样我们就可以通过打表：
首先初始化边界，dp(0,j)=dp(i,0)=0由于我们会用到dp[i-1][j-1],如果我们的i，j从0开始迭代，就容易出现越界，所以这里我们通常迭代从1开始。

W0-W4是物品编号，M0-M8是背包的容量，表中绿色区域表示dp值，即该背包容量下，前n个物品可装入的最大价值。

通过打表，当我们打到M3，W2时，我们发现一个问题，就是在dp[2][3],我们有两种选择：即容量为3，我们可以选W2，也可以选择W1，因为dp为可装入物品的价值的最大值，这是我们需要比较W1与W2的价值，选择价值大的一个，如果价值W2>W1，则dp[2][3]=W2的价值,否则dp的值是W1的价值，在此时，我们可以看到W2>W1，所以我们填入W2的价值。

如此继续打表

我们可以看到，当我们的背包容量不足以装下新的物品时，实际上它的值是相同背包容量下，前n-1个物品的最大价值。即dp[i][j]=dp[i-1][j];
当可以装下新加入的物品时，得到新的dp递推公式。
但是在得到递推公式之前我们需要知道，我们的dp[i][j]值是最大值，也就是说。我们需要比较，即max（dp[i][j-wi]+新物品的价值，dp[i-1][j]），取最值。
这样，通过打表的方式，我们得到了递推公式。
做到这里，我们就已经将0-1背包问题解决。
接下来我们来实现代码

int W[30],C[30];//w是物品重量，C是物品价值,测试数量不能超过30
int main()
{
    int,m,n;//m为背包容量，n为物品数量
    scanf("%d%d",&m&n);
    for(int i=0;iscanf("%d%d",&w[i]&c[i]);
 }
 for(int i = 1;i<=n;i++){
 for(int j =1;j<=m;j++){
 if(j>w[i]){
 dp[i][j]=dp[i-1][j];
 }else{
 dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+c[i]);
 }
 }
 }
}

代码优化

通过代码，我们实现了动态规划解决0-1背包问题。但是我们不难发现，这样通过一个二维表十分的浪费空间，我们可不可以优化代码呢。

我们来看递推公式，不难发现，实际上，
dp二维表可以化为一维表。
j > w[i]时，dp[i]=dp[i-1]
j < w[i]时，dp[j] = dp[j - w[i]] + v[i];

#include
int main() {
    //动态规划解0-1背包问题
    //递推公式：dp[j]=dp[j-w[i]]+v[i]
    int m, n;//m为背包容量，n为物品数量,n小于20；
    int w[20], v[20],dp[20];//w[i]为第i件物品的重量，v[i]是第i件物品的价值,dp[]为递推数组
    scanf("%d %d", &m, &n); //m为背包容量，n为物品数量,n小于20；
    for (int j = 0; j<= m; j++) {
        dp[j] = 0; //dp置零
    }
    for (int i = 1; i <= n; i++) {
        scanf("%d %d", &w[i], &v[i]);
    }
    for (int i = 1; i <= n; i++) {
        for (int j = m; j >= 0; j--) {
            if (j >= w[i]) {
            dp[j] = dp[j - w[i]] + v[i];
            }
        }
    }
    printf("%d", dp[m]);
    return 0;
}

由此我们用动态规划将0-1背包问题讲了个大概。