Nine lectures on Knapsack Problems

01背包问题

题目描述：有N件物品和一个容量为V的背包。放入第i件物品耗费的空间是$C_i$，得到的价值是$W_i$。求解将哪些物品装入背包可使价值总和最大。

算法思路：这是最基础的背包问题，特点是每种物品仅有一件，可以选择放或不放。用子问题定义状态，即F[i,v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。则其状态转移方程便是：F[i,v]=max{F[i−1,v],F[i−1,v−$C_i$]+$W_i$}。这个方程非常重要，基本上所有跟背包相关的问题的方程都是由它衍生出来的。所以有必要将它详细解释一下，“将前i件物品放入容量为v的背包中”这个子问题，若只考虑第i件物品的策略（放或不放），那么就可以转化为一个只和前i−1件物品相关的问题。如果不放第i件物品，那么问题就转化为“前i−1件物品放入容量为v的背包中”，价值为F[i−1,v]；如果放第i件物品，那么问题就转化为“前i−1件物品放入剩下的容量为v−$C_i$的背包中”，此时能获得的最大价值就是F[i−1,v−$C_i$]再加上通过放入第i件物品获得的价值$W_i$。

伪代码如下,

F[0,0…V]=0
for i = 1 to N
for v = $C_i$ to V
F[i,v]=max{F[i-1,v],F[i-1,v-$C_i$]+$W_i$}

以上方法的时间和空间复杂度均为O(V N)，其中时间复杂度应该已经不能再优化了，但空间复杂度却可以优化到O(V)。先考虑上面讲的基本思路如何实现，肯定是有一个主循环i= 1…N，每次算出来的二维数组F[i,0…V]的所有值。那么，如果只用一个数组F[0…V]，能不能保证第i次循环结束后F[v]中表示的就是我们定义的状态F[i,v]呢？F[i,v]是由F[i−1,v]和F[i−1,v−$C_i$]两个子问题递推而来，能否保证在推F[i,v]时（也即在第i次主循环中推F[v]时）能够取用F[i−1,v]和F[i−1,v−Ci]的值呢？事实上，这要求在每次主循环中我们以v=V…0的递减顺序计算F[v]，这样才能保证推F[v]时F[v−$C_i$]保存的是状态F[i−1,v−$C_i$]的值。

伪代码如下,

F[0…V]=0
for i = 1 to N
for v = V to $C_i$
F[v]=max{F[v],F[v-$C_i$]+$W_i$}

其中的F[v]=max{F[v],F[v−$C_i$]+$W_i$}一句，恰就对应于我们原来的转移方程，因为现在的F[v−Ci]就相当于原来的F[i−1,v−$C_i$]。如果将v的循环顺序从上面的逆序改成顺序的话，那么则成了F[i,v]由F[i,v−$C_i$]推导得到，与本题意不符。事实上，使用一维数组解01背包的程序在后面会被多次用到，所以这里抽象出一个处理一件01背包中的物品过程，以后的代码中直接调用不加说明。

def ZeroOnePack(F, C, W)

​ for v = V to C

​ F[v]=max(F[v],f[v−C]+W)

有了这个过程以后，01背包问题的伪代码就可以这样写：

for i = 1 to N

​ ZeroOnePack(F, $C_i$,$W_i$)

初始化的细节问题。我们看到的求最优解的背包问题题目中，事实上有两种不太相同的问法。有的题目要求“恰好装满背包”时的最优解，有的题目则并没有要求必须把背包装满。一种区别这两种问法的实现方法是在初始化的时候有所不同。

如果是第一种问法，要求恰好装满背包，那么在初始化时除了F[0]为0，其它F[1…V]均设为−∞，这样就可以保证最终得到的F[V]是一种恰好装满背包的最优解。如果并没有要求必须把背包装满，而是只希望价格尽量大，初始化时应该将F[0…V]全部设为0。这是为什么呢？可以这样理解，初始化的F数组事实上就是在没有任何物品可以放入背包时的合法状态。如果要求背包恰好装满，那么此时只有容量为0的背包可以在什么也不装且价值为0的情况下被“恰好装满”，其它容量的背包均没有合法的解，属于未定义的状态，应该被赋值为-∞了。如果背包并非必须被装满，那么任何容量的背包都有一个合法解“什么都不装”，这个解的价值为0，所以初始时状态的值也就全部为0了。这个小技巧完全可以推广到其它类型的背包问题，后面也就不再对进行状态转移之前的初始化进行讲解。

完全背包问题