前言：

在前面我们学习动态规划理论知识的时候，我就讲过要介绍一下背包问题，那么今天我们就来讲解一下背包问题。

在这里我们只介绍01背包，至于分组背包和混合背包这种的已经属于竞赛级别的了，难度过高，我们在这里就不学习了。

【夜深人静学数据结构与算法 | 第十篇】动态规划_我是一盘牛肉的博客-CSDN博客

01背包问题：

该问题的背景是一个背包和一组物品，每个物品都有自己的价值和重量。目标是选择一些物品放入背包中，使得放入的物品总重量不超过背包的容量，且总价值最大化。

具体来说，给定 n 个物品，其重量分别为 w1, w2, …, wn，价值分别为 v1, v2, …, vn，以及一个背包的容量 W。如何在不超过背包容量的情况下拿到的物品可以实现价值最大？

我们还是严格按照动态规划五步走来确定解题思路：

二维数组思路：

1.dp数组的含义以及下标的含义：dp[i][j]的含义为把[0,i]的物品放到容量为j的背包里的最大价值。

如果不放当前第 i 个物品，那么此时的最大价值就是 dp[ i-1] [ j ]
如果放当前第 i 个物品，那么此时的最大价值就是 dp [ i-1 ][ j-weight[i]] + value[i]

2.递推公式的推导：dp[i][j]= max(dp[ i-1] [ j ],dp [ i-1 ][ j-weight[i]] + value[i])

3.dp数组的初始化：对于dp数组应该如何初始化，我们可以用画图的方式来表示一下dp数组

如果此时我们动态规划到红色的这块区域，由dp数组的公式 dp[i][j]= max(dp[ i-1] [ j ],dp [ i-1 ][ j-weight[i]] + value[i])我们可以知道，这块红色的区域的值一定是由整个数组的左上角区域慢慢推过来的。因此在开始我们就要把左上角的全部初始化，防止出现减不了的情况：

而具体的初始化值，我们简单想一想就可以知道，当背包容量为0的时候，就装不了东西，那么最大价值就是0，那么我们就把竖行的值初始化为0，也就是dp[i][0]初始化为0，横行就是始终装物品0，那么只要背包的容量大于物品0的容量，最大的价值就是dp[0][j]=value.(物品0）。

4.dp数组遍历顺序：对于二维数组的这两个for循环，无论是先便利背包还是物品都是可以的。

那么用一个例子来实现一下动态规划：

#include <iostream>
#include <vector>using namespace std;// 定义物品结构体，包含重量和价值
struct Item {int weight;int value;
};int knapsack(int W, vector<Item>& items) {int size = items.size();vector<vector<int>> dp(n + 1, vector<int>(W + 1, 0));for (int i = 1; i <= n; i++) {for (int j = 1; j <= W; j++) {// 当前物品重量大于背包容量，无法放入背包if (items[i - 1].weight > j) {dp[i][j] = dp[i - 1][j];}else {// 考虑放入或不放入当前物品的两种情况，取最大值dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - items[i - 1].weight] + items[i - 1].value);}}}return dp[n][W]; // 返回最优解
}int main() {int W = 10; // 背包容量vector<Item> items = { {2, 6}, {2, 10}, {3, 12} }; // 物品列表int maxValue = knapsack(W, items); // 求解最优解cout << "最大总价值为: " << maxValue << endl;return 0;
}

一维数组思路：

在一维数组优化中，我们只需要创建一个长度为背包容量+1的一维数组，用于记录在不超过当前背包容量下的最优解。具体优化过程如下：

原始的二维dp数组定义为dp[n + 1][W + 1]，其中dp[i][j]表示在前i个物品中选择不超过重量j的物品时的最优解。

将二维dp数组优化为一维数组dp[W + 1]，其中dp[j]表示在不超过背包容量j的情况下的最优解。

优化后的代码示例：

#include <iostream>
#include <vector>using namespace std;// 定义物品结构体，包含重量和价值
struct Item {int weight;int value;
};int knapsack(int W, vector<Item>& items) {int n = items.size();// 创建一维dp数组并初始化为0vector<int> dp(W + 1, 0);for (int i = 0; i < n; i++) {for (int j = W; j >= items[i].weight; j--) {// 考虑放入或不放入当前物品的两种情况，取最大值dp[j] = max(dp[j], dp[j - items[i].weight] + items[i].value);}}return dp[W]; // 返回最优解
}int main() {int W = 10; // 背包容量vector<Item> items = { {2, 6}, {2, 10}, {3, 12} }; // 物品列表int maxValue = knapsack(W, items); // 求解最优解cout << "最大总价值为: " << maxValue << endl;return 0;
}

在上述代码中，我们使用一个长度为背包容量+1的一维数组dp[W + 1]来记录在不超过当前背包容量下的最优解。在计算时，我们从后往前遍历物品，并从后往前更新一维dp数组。这样可以确保在更新dp[j]时，所需的dp[j - items[i].weight]已经是前一轮的值，并且不会影响当前轮的计算结果。通过这种方式，可以实现将二维dp数组优化为一维数组的目的，并得到正确的最优解。