一、背包问题概述
背包问题是⼀种组合优化的问题。问题可以描述为：给定⼀组物品，每种物品都有自己的重量和价格，在限定的总重量内，我们如何选择，才能使得物品的总价格最高。
根据物品的个数，分为如下几类：
- 01背包问题：每个物品只有⼀个
- 完全背包问题：每个物品有无限多个
- 多重背包问题：每件物品最多有 x 个
- 混合背包问题：每个物品会有上面三种情况
- 分组背包问题：物品有 n 组，每组物品里有若干个，每组里最多选⼀个物品
其中上述分类里面，根据背包是否装满，又分为两类：
- 不一定装满背包
- 背包一定装满
根据限定条件的个数，又分为两类：
- 限定条件只有⼀个：比如体积 -> 普通的背包问题
- 限定条件有两个：比如体积 + 重量 -> 二维费用背包问题
虽然背包问题种类非常繁多，题型非常丰富，难度也是非常难以捉摸。但是，它们都是从 01背包问题 演化过来的。01 背包问题 非常重要。
二、01背包问题
Nowcoder -DP41.01背包
题目：你有一个背包，最多能容纳的体积是V。
现在有 n 个物品，第 i 个物品的体积为 vi，价值为 wi.
（1）求这个背包至多能装多大价值的物品？
（2）若背包恰好装满，求至多能装多大价值的物品？
输入描述：
第一行两个整数 n 和 V，表示物品个数和背包体积。
接下来 n 行，每行两个数 vi 和 wi，表示第i个物品的体积和价值。
1 ≤ n, V, vi, wi ≤ 1000
输出描述：
输出有两行，第一行输出第一问的答案，第二行输出第二问的答案，如果无解请输出0。
（1）求这个背包至多能装多大价值的物品？
- 状态表示：
dp[i][j] 表示：从前 i 个物品中挑选，总体积「不超过」 j ，所有的选法中，能挑选出来的最大价值。 - 状态转移方程：
线性 dp 状态转移方程分析方式，⼀般都是根据「最后⼀步」的状况，来分情况讨论：
a. 不选第 i 个物品：相当于就是去前 i - 1 个物品中挑选，并且总体积不超过 j 。此时 dp[i][j] = dp[i - 1][j] ；
b. 选择第 i 个物品：那么我就只能去前 i - 1 个物品中，挑选总体积不超过 j - v[i] 的物品。此时 dp[i][j] = dp[i - 1][j - v[i]] + w[i] 。但是这种状态不⼀定存在，因此需要特判⼀下。
具体来说，如下图：
- 初始化：
我们多加一行，方便我们的初始化，此时仅需将第⼀行初始化为 0 即可。因为什么也不选，也能满足体积不小于 j 的情况，此时的价值为 0 。
综上，状态转移方程为： dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - v[i]] + w[i])
第一问的核心代码如下：
// 第一问 // dp[i][j] 表示：从前 i 个物品中挑选，总体积「不超过」 j ，所有的选法中，能挑选出来的最⼤价值 for (int i = 1; i <= n; i++) { for (int j = 1; j <= V; j++) { dp[i][j] = dp[i - 1][j]; if (j - v[i] >= 0) dp[i][j] = max(w[i] + dp[i - 1][j - v[i]], dp[i][j]); } } cout << dp[n][V] << endl;
（2）若背包恰好装满，求至多能装多大价值的物品？
第⼆问仅需微调⼀下 dp 过程的细节即可，因为有可能凑不齐 j 体积的物品，因此我们把不合法的状态设置为 -1.
- 状态表示：
dp[i][j] 表示：从前 i 个物品中挑选，总体积「正好」等于 j ，所有的选法中，能挑选出来的最大价值。 - 状态转移方程：
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - v[i]] + w[i]) . 但是在使用 dp[i - 1][j - v[i]] 的时候，不仅要判断 j >= v[i] ，还要判断 dp[i -1][j - v[i]] 表示的情况是否存在，也就是 dp[i - 1][j - v[i]] != -1.
我们可以表示为下图的：
- 初始化：
我们多加一行，方便我们的初始化：
i. 第⼀个格子为 0 ，因为正好能凑齐体积为 0 的背包；
ii. 但是第一行后面的格子都是 -1 ，因为没有物品，无法满足体积大于 0 的情况，如下图所示，dp 表完成初始化：
所以第二问的核心代码如下：
// 第二问 // dp[i][j] 表⽰：从前 i 个物品中挑选，总体积「正好」等于 j ，所有的选法中，能挑选出来的最⼤价值。 memset(dp, 0, sizeof(dp)); // 值为 -1 表示从 0~i 的物品中没有体积刚好为 j 的物品，所以也就没有价值 for (int j = 1; j <= V; j++) dp[0][j] = -1; for (int i = 1; i <= n; i++) { for (int j = 1; j <= V; j++) { dp[i][j] = dp[i - 1][j]; if (j - v[i] >= 0 && dp[i - 1][j - v[i]] != -1) dp[i][j] = max(dp[i][j], w[i] + dp[i - 1][j - v[i]]); } } cout << (dp[n][V] == -1 ? 0 : dp[n][V]) << endl;
空间优化：
背包问题基本上都是利用 「滚动数组」 来做空间上的优化：
i. 利用「滚动数组」优化；
ii. 直接在「原始代码」上修改。
根据状态转移方程，我们更新当前 dp 表位置的时候，只需要用到 i - 1 行中的第 j 个位置和第 j - v[i] 个位置，如下图，三角形是我们需要更新的位置，我们只需要两个圆圈的位置：
我们可以观察到，三角形所在的位置只需要依赖第 j 个位置和第 j - v[i] 个位置，所以我们可以大胆把横坐标去掉，只需要一个维度的坐标即可，这种方法叫做滚动数组；但是我们要注意，遍历顺序需要从右往左，如下图：
因为我们依赖的是当前未更新的 dp 表的位置和当前位置左边的位置，如果从左往右更新，那么对于后面的位置来说，它们的左边位置已经被覆盖了，所以我们应该从右往左更新。
所以在01背包问题中，优化的结果为：
i. 删掉所有的横坐标；
ii. 修改⼀下 j 的遍历顺序
优化后的整体代码：
#include <vector> #include <algorithm> #include <string.h> #include <iostream> using namespace std; const int N = 1001; int n, V, v[N], w[N]; int dp[N]; // 对空间进行优化：使用滚动数组 int main() { cin >> n >> V; for (int i = 1; i <= n; i++) cin >> v[i] >> w[i]; // 第一问 // dp[i][j] 表⽰：从前 i 个物品中挑选，总体积「不超过」 j ，所有的选法中，能挑选出来的最⼤价值 for (int i = 1; i <= n; i++) { for (int j = V; j >= v[i]; j--) // 遍历顺序修改成从右往左 dp[j] = max(w[i] + dp[j - v[i]], dp[j]); } cout << dp[V] << endl; // 第二问 // dp[i][j] 表⽰：从前 i 个物品中挑选，总体积「正好」等于 j ，所有的选法中，能挑选出来的最⼤价值。 memset(dp, 0, sizeof(dp)); // 值为 -1 表示从 0~i 的物品中没有体积刚好为 j 的物品，所以也就没有价值 for (int j = 1; j <= V; j++) dp[j] = -1; for (int i = 1; i <= n; i++) { for (int j = V; j >= v[i]; j--) if (dp[j - v[i]] != -1) dp[j] = max(dp[j], w[i] + dp[j - v[i]]); } cout << (dp[V] == -1 ? 0 : dp[V]) << endl; return 0; }
有关01背包的练习题：
三、完全背包问题
Nowcoder -DP42.完全背包
题目：你有一个背包，最多能容纳的体积是V。
现在有 n 种物品，每种物品有任意多个，第 i 种物品的体积为 vi, 价值为 wi.
（1）求这个背包至多能装多大价值的物品？
（2）若背包恰好装满，求至多能装多大价值的物品？
输入描述：
第一行两个整数 n 和 V，表示物品个数和背包体积。
接下来 n 行，每行两个数 vi 和 wi，表示第i种物品的体积和价值。
1 ≤ n, V ≤ 1000
输出描述：
输出有两行，第一行输出第一问的答案，第二行输出第二问的答案，如果无解请输出0。
（1）求这个背包至多能装多大价值的物品？
- 状态表示：
dp[i][j] 表示：从前 i 个物品中挑选，总体积不超过 j ，所有的选法中，能挑选出来的最大价值。（这里是和 01背包⼀样） - 状态转移方程：线性 dp 状态转移⽅程分析方式，⼀般都是根据最后⼀步的状况，来分情况讨论。但是最后⼀个物品能选很多个，因此我们的需要分很多情况：
a. 选 0 个第 i 个物品：此时相当于就是去前 i - 1 个物品中挑选，总体积不超过 j 。此时最大价值为 dp[i - 1][j] ；
b. 选 1 个第 i 个物品：此时相当于就是去前 i - 1 个物品中挑选，总体积不超过 j - v[i] 。因为挑选了⼀个 i 物品，此时最大价值为 dp[i - 1][j - v[i]] + w[i] ；
c. 选 2 个第 i 个物品：此时相当于就是去前 i - 1 个物品中挑选，总体积不超过 j - 2 * v[i] 。因为挑选了两个 i 物品，此时最大价值为 dp[i - 1][j - 2 * v[i]] + 2 * w[i] ；
d. …
如下图：
此时我们可以如下分析：
我们观察到，画绿色下划线的内容中，下面的下划线中的 dp 表达式与上面的只相差一个 w[i] ，所以，紫色框框中的 dp[i][j-v[i]] 加上一个 w[i] 是可以完全替代上面的紫色框框中的一堆表达式，所以我们得出以下状态转移方程：
dp[i][j] = max(dp[i-1][j], dp[i][j-v[i]]+w[i])
- 初始化：
我们多加⼀行，方便我们的初始化，此时仅需将第⼀行初始化为 0 即可。因为什么也不选，也能满足体积不小于 j 的情况，此时的价值为 0 。
所以第一问的核心代码如下：
// 第一问 for(int i = 1; i <= n; i++) { for(int j = 0; j <= V; j++) { dp[i][j] = dp[i - 1][j]; if(j >= v[i]) dp[i][j] = max(dp[i][j - v[i]] + w[i], dp[i][j]); } } cout << dp[n][V] << endl;
（2）若背包恰好装满，求至多能装多大价值的物品？
第⼆问仅需微调⼀下 dp 过程的细节即可，因为有可能凑不齐 j 体积的物品，因此我们把不合法的状态设置为 -1 。
- 状态表示：
dp[i][j] 表示：从前 i 个物品中挑选，总体积正好等于 j ，所有的选法中，能挑选出来的最大价值。 - 状态转移方程：
dp[i][j] = max(dp[i - 1][j], dp[i][j - v[i]] + w[i]) ；但是在使用 dp[i][j - v[i]] 的时候，不仅要判断 j >= v[i] ，还要判断 dp[i][j - v[i]] 表示的情况是否存在，也就是 dp[i][j - v[i]] != -1. - 初始化：
我们多加一行，方便我们的初始化：
a. 第⼀个格子为 0 ，因为正好能凑齐体积为 0 的背包；
b. 但是第一行后面的格子都是 -1 ，因为没有物品，无法满足体积大于 0 的情况。
所以第二问的核心代码如下：
// 第二问 memset(dp, 0, sizeof(dp)); dp[0][0] = 0; for(int j = 1; j <= V; j++) dp[0][j] = -1; for(int i = 1; i <= n; i++) { for(int j = 0; j <= V; j++) { dp[i][j] = dp[i - 1][j]; if(j >= v[i] && dp[i][j - v[i]] != -1) dp[i][j] = max(dp[i][j], dp[i][j - v[i]] + w[i]); } } cout << (dp[n][V] == -1? 0 : dp[n][V]) << endl;
空间优化： 滚动数组，注意，根据状态转移方程，我们这里需要更新的位置是依赖 i - 1 行的第 j 个位置和第 i 行的 j - v[i] 个位置，而 dp[i][j-v[i]] 是已经更新过的位置，所以我们需要从右往左更新 dp 表；
空间优化后的整体代码：
#include <iostream> #include <string.h> using namespace std; const int N = 1001; int n, V, v[N], w[N]; int dp[N]; // 空间优化后的代码 int main() { cin >> n >> V; for(int i = 1; i <= n; i++) cin >> v[i] >> w[i]; // 第一问 for(int i = 1; i <= n; i++) { for(int j = 0; j <= V; j++) { if(j >= v[i]) dp[j] = max(dp[j - v[i]] + w[i], dp[j]); } } cout << dp[V] << endl; // 第二问 memset(dp, 0, sizeof(dp)); dp[0] = 0; for(int j = 1; j <= V; j++) dp[j] = -1; for(int i = 1; i <= n; i++) { for(int j = 0; j <= V; j++) { if(j >= v[i] && dp[j - v[i]] != -1) dp[j] = max(dp[j], dp[j - v[i]] + w[i]); } } cout << (dp[V] == -1? 0 : dp[V]) << endl; }
完全背包的练习题：
此外，我们还有一些⼆维费用的背包问题练习：
