0-1背包问题的四种写法
本节回顾0-1背包的基本模型，关于它的实现有很多种写法，这里对不同实现做个简单列举，主要是写代码练手了，主要有以下几方面内容：
==0-1背包问题定义 & 基本实现
==0-1背包使用滚动数组压缩空间
==0-1背包使用一维数组
==0-1背包恰好背满
==0-1背包输出最优方案
========================================
DP的关键也是难点是找到最优子结构和重叠子问题，进而找到状态转移方程，编码就相对容易些。最优子结构保证每个状态是最优的，重叠子问题也即n状态的求法和n-1状态的求法是一样的；DP在实现上一般是根据状态转移方程自底向上的迭代求得最优解（也可以使用递归自顶向下求解）。
回到0-1背包，每个物体i，对应着两种状态：放入&不放入背包。背包的最优解是在面对每个物体时选择能够最大化背包价值的状态。0-1背包的状态转移方程为
f(i,v) = max{ f(i-1,v), f(i-1,v-c[i])+w[i] }
f(i,v)表示前i个物体面对容量为v时背包的最大价值，c[i]代表物体i的cost(即重量)，w[i]代表物体i的价值；如果第i个物体不放入背包，则背包的最大价值等于前i-1个物体面对容量v的最大价值；如果第i个物体选择放入，则背包的最大价值等于前i-1个物体面对容量v-cost[i]的最大价值加上物体i的价值w[i]。
对于实现，一般采用一个二维数组（状态转移矩阵）dp[i][j]来记录各个子问题的最优状态，其中dp[i][j]表示前i个物体面对容量j背包的最大价值。
下面给出0-1背包的基本实现，时间复杂度为O(N*V)，空间复杂度也为O(N*V)，初始化的合法状态很重要，对于第一个物体即f[0][j]，如果容量j小于第一个物体（编号为0）的重量，则背包的最大价值为0，如果容量j大于第一个物体的重量，则背包最大价值便为该物体的价值。为了能单步验证每个状态的最优解，程序最后将状态转移矩阵的有效部分输出到了文件。
10 3
3 4
4 6
5 7
代码如下，我们可以在每轮内循环结束后输出当前状态的解，与上面使用二维数组输出的状态转移矩阵对比，会发现是一样的效果，重定向输出到文本有助加深理解。
如果只使用一维数组f[0…v]，我们要达到的效果是：第i次循环结束后f[v]中所表示的就是使用二维数组时的f[i][v]，即前i个物体面对容量v时的最大价值。我们知道f[v]是由两个状态得来的，f[i-1][v]和f[i-1][v-c[i]]，使用一维数组时，当第i次循环之前时，f[v]实际上就是f[i-1][v]，那么怎么得到第二个子问题的值呢？事实上，如果在每次循环中我们以v=v…0的顺序推f[v]时，就能保证f[v-c[i]]存储的是f[i-1][v-c[i]]的状态。状态转移方程为：
f(v) = max{ f(v), f(v-c[i])+w[i] } v = V...0;
我们可以与二维数组的状态转移方程对比一下
f(i,v) = max{ f(i-1,v), f(i-1,v-c[i])+w[i] }
正如我们上面所说，f[v-c[i]]就相当于原来f[i-1][v-c[i]]的状态。如果将v的循环顺序由逆序改为顺序的话，就不是01背包了，就变成完全背包了，这个后面说。这里举一个例子理解为何顺序就不是01背包了
假设有物体z容量2，价值vz很大，背包容量为5，如果v的循环顺序不是逆序，那么外层循环跑到物体z时，内循环在v=2时，物体z被放入背包，当v=4时，寻求最大价值，物体z放入背包，f[4]=max{f[4],f[2]+vz}，这里毫无疑问后者最大，那么此时f[2]+vz中的f[2]已经装入了一次物体z，这样一来该物体被装入背包两次了就，不符合要求，如果逆序循环v，这一问题便解决了。
代码如下，为了加深理解，可以在内循环结束输出每一个状态的情况到文本中，会发现与使用二维数组时的状态转移矩阵都是一样一样的。
这样的初始化能够保证，如果子问题的状态是合法的（恰好装满），那么才能得到合法的状态；如果子问题状态是非法的，则当前问题的状态依然非法，即不存在恰好装满的情况。
代码如下：
这样就可以有两种实现方式，一种是直接根据状态转移矩阵向前推，另一种就是使用额外一个状态矩阵记录最优方案的路径，道理都是一样的。当然也可以使用一维数组，代码更为简练，这里不罗列，相关代码可以到这里下载。
代码如下：
01背包是背包问题的基础，加深理解的最好方式就是动手写一下，然后对照最终的状态转移矩阵一一比对。
==0-1背包问题定义 & 基本实现
==0-1背包使用滚动数组压缩空间
==0-1背包使用一维数组
==0-1背包恰好背满
==0-1背包输出最优方案
========================================
0-1背包问题定义 & 基本实现
问题：有个容量为V大小的背包，有很多不同重量weight[i](i=1..n)不同价值value[i](i=1..n)的物品，每种物品只有一个，想计算一下最多能放多少价值的货物。DP的关键也是难点是找到最优子结构和重叠子问题，进而找到状态转移方程，编码就相对容易些。最优子结构保证每个状态是最优的，重叠子问题也即n状态的求法和n-1状态的求法是一样的；DP在实现上一般是根据状态转移方程自底向上的迭代求得最优解（也可以使用递归自顶向下求解）。
回到0-1背包，每个物体i，对应着两种状态：放入&不放入背包。背包的最优解是在面对每个物体时选择能够最大化背包价值的状态。0-1背包的状态转移方程为
f(i,v) = max{ f(i-1,v), f(i-1,v-c[i])+w[i] }
f(i,v)表示前i个物体面对容量为v时背包的最大价值，c[i]代表物体i的cost(即重量)，w[i]代表物体i的价值；如果第i个物体不放入背包，则背包的最大价值等于前i-1个物体面对容量v的最大价值；如果第i个物体选择放入，则背包的最大价值等于前i-1个物体面对容量v-cost[i]的最大价值加上物体i的价值w[i]。
对于实现，一般采用一个二维数组（状态转移矩阵）dp[i][j]来记录各个子问题的最优状态，其中dp[i][j]表示前i个物体面对容量j背包的最大价值。
下面给出0-1背包的基本实现，时间复杂度为O(N*V)，空间复杂度也为O(N*V)，初始化的合法状态很重要，对于第一个物体即f[0][j]，如果容量j小于第一个物体（编号为0）的重量，则背包的最大价值为0，如果容量j大于第一个物体的重量，则背包最大价值便为该物体的价值。为了能单步验证每个状态的最优解，程序最后将状态转移矩阵的有效部分输出到了文件。
代码如下：
#include <iostream>
using namespace std;
/* 0-1背包 版本1
* Time Complexity O(N*V)
* Space Complexity O(N*V)
* 设 V <= 200 N <= 10
* 状态转移方程：f(i,v) = max{ f(i-1,v), f(i-1,v-c[i])+w[i] }
*/
int maxValue[11][201]; /* 前i个物体面对容量j的最大价值，即子问题最优解 */
int weight[11];
int value[11];
int V, N;
void main()
{
int i, j;
scanf("%d %d",&V, &N);
for(i = 0; i < N; ++i)
{
scanf("%d %d",&weight[i],&value[i]);
}
for(i = 0; i < N; ++i)
{
for(j = 0; j <= V; ++j) /* 容量为V 等号 */
{
if(i > 0)
{
maxValue[i][j] = maxValue[i-1][j];
if(j >= weight[i]) /* 等号 */
{
int tmp = maxValue[i-1][j-weight[i]] + value[i];
maxValue[i][j] = ( tmp > maxValue[i][j]) ? tmp : maxValue[i][j];
}
}else /* 数组第0行赋值 */
{
if(j >= weight[0])
maxValue[0][j] = value[0];
}
}
}
printf("%d",maxValue[N-1][V]);
/* 重定向输出结果到文件 */
freopen("C:\\dp.txt","w",stdout);
for(i = 0; i <= N; ++i)
{
for(j = 0; j <= V; ++j)
{
printf("%d ",maxValue[i][j]);
}
printf("\n");
}
}测试用例：
10 3
3 4
4 6
5 7
程序输出的状态转移矩阵如下图，第一行表示第1个物体对于容量0至V时的最优解，即背包最大价值。该实现方法是0-1背包最基本的思想，追踪状态转移矩阵有助于加深理解，POJ上单纯的0-1背包题目也有不少，如3624等，可以水一下，加深理解。
========================================
0-1背包使用滚动数组压缩空间
所谓滚动数组，目的在于优化空间，从上面的解法我们可以看到，状态转移矩阵使用的是一个N*V的数组，在求解的过程中，我们可以发现，当前状态只与前一状态的解有关，那么之前存储的状态信息已经无用了，可以舍弃的，我们只需要空间存储当前的状态和前一状态，所以只需使用2*V的空间，循环滚动使用，就可以达到跟N*V一样的效果。这是一个非常大的空间优化。代码如下，我们可以在每轮内循环结束后输出当前状态的解，与上面使用二维数组输出的状态转移矩阵对比，会发现是一样的效果，重定向输出到文本有助加深理解。
#include <iostream>
using namespace std;
/* 0-1背包 版本2
* Time Complexity O(N*V)
* Space Complexity O(2*V)
* 设 V <= 200 N <= 10
* 状态转移方程：f(i,v) = max{ f(i-1,v), f(i-1,v-c[i])+w[i] }
*/
int maxValue[2][201]; /* 前i个物体面对容量j的最大价值，即子问题最优解 */
int weight[11];
int value[11];
int V, N;
void main()
{
int i, j, k;
scanf("%d %d",&V, &N);
for(i = 0; i < N; ++i)
{
scanf("%d %d",&weight[i],&value[i]);
}
for(i = 0; i < N; ++i)
{
for(j = 0; j <= V; ++j) /* 容量为V 等号 */
{
if(i > 0)
{
k = i & 1; /* i%2 获得滚动数组当前索引 k */
maxValue[k][j] = maxValue[k^1][j];
if(j >= weight[i]) /* 等号 */
{
int tmp = maxValue[k^1][j-weight[i]] + value[i];
maxValue[k][j] = ( tmp > maxValue[k][j]) ? tmp : maxValue[k][j];
}
}else /* 数组第0行赋值 */
{
if(j >= weight[0])
maxValue[0][j] = value[0];
}
}
}
printf("%d",maxValue[k][V]);
/* 重定向输出结果到文件 */
freopen("C:\\dp.txt","w",stdout);
for(i = 0; i <= 1; ++i)
{
for(j = 0; j <= V; ++j)
{
printf("%d ",maxValue[i][j]);
}
printf("\n");
}
}这种空间循环滚动使用的思想很有意思，类似的，大家熟悉的斐波那契数列，f(n) = f(n-1) + f(n-2)，如果要求解f(1000)，是不需要申请1000个大小的数组的，使用滚动数组只需申请3个空间f[3]就可以完成任务。
0-1背包使用一维数组
使用滚动数组将空间优化到了2*V，在背包九讲中提到了使用一维数组也可以达到同样的效果，个人认为这也是滚动思想的一种，由于使用一维数组解01背包会被多次用到，完全背包的一种优化实现方式也是使用一维数组，所以我们有必要理解这种方法。如果只使用一维数组f[0…v]，我们要达到的效果是：第i次循环结束后f[v]中所表示的就是使用二维数组时的f[i][v]，即前i个物体面对容量v时的最大价值。我们知道f[v]是由两个状态得来的，f[i-1][v]和f[i-1][v-c[i]]，使用一维数组时，当第i次循环之前时，f[v]实际上就是f[i-1][v]，那么怎么得到第二个子问题的值呢？事实上，如果在每次循环中我们以v=v…0的顺序推f[v]时，就能保证f[v-c[i]]存储的是f[i-1][v-c[i]]的状态。状态转移方程为：
f(v) = max{ f(v), f(v-c[i])+w[i] } v = V...0;
我们可以与二维数组的状态转移方程对比一下
f(i,v) = max{ f(i-1,v), f(i-1,v-c[i])+w[i] }
正如我们上面所说，f[v-c[i]]就相当于原来f[i-1][v-c[i]]的状态。如果将v的循环顺序由逆序改为顺序的话，就不是01背包了，就变成完全背包了，这个后面说。这里举一个例子理解为何顺序就不是01背包了
假设有物体z容量2，价值vz很大，背包容量为5，如果v的循环顺序不是逆序，那么外层循环跑到物体z时，内循环在v=2时，物体z被放入背包，当v=4时，寻求最大价值，物体z放入背包，f[4]=max{f[4],f[2]+vz}，这里毫无疑问后者最大，那么此时f[2]+vz中的f[2]已经装入了一次物体z，这样一来该物体被装入背包两次了就，不符合要求，如果逆序循环v，这一问题便解决了。
代码如下，为了加深理解，可以在内循环结束输出每一个状态的情况到文本中，会发现与使用二维数组时的状态转移矩阵都是一样一样的。
#include <iostream>
using namespace std;
/* 0-1背包 版本3
* Time Complexity O(N*V)
* Space Complexity O(V)
* 设 V <= 200 N <= 10
* 状态转移方程：v = V...0; f(v) = max{ f(v), f(v-c[i])+w[i] }
*/
int maxV[201]; /* 记录前i个物品中容量v时的最大价值 */
int weight[11];
int value[11];
int V, N;
void main()
{
int i, j;
scanf("%d %d",&V, &N);
for(i = 0; i < N; ++i)
{
scanf("%d %d",&weight[i],&value[i]);
}
/*
* 对于第i轮循环
* 求出了前i个物品中面对容量为v的最大价值
*/
for(i = 0; i < N; ++i)
{
/*
* 内循环实际上讲maxV[0...v]滚动覆盖前一轮的maxV[0...V]
* 可输出对照使用二维数组时的情况
* j从V至0逆序是防止有的物品放入背包多次
*/
for(j = V; j >= weight[i]; --j) /* weight > j 的物品不会影响状态f[0,weight[i-1]] */
{
int tmp = maxV[j-weight[i]]+value[i];
maxV[j] = (maxV[j] > tmp) ? maxV[j] : tmp;
}
}
printf("%d",maxV[V]);
}可以看出，使用一维数组，代码非常简练。
0-1背包恰好背满
在01背包中，有时问到“恰好装满背包”时的最大价值，与不要求装满背包的区别就是在初始化的时候，其实对于没有要求必须装满背包的情况下，初始化最大价值都为0，是不存在非法状态的，所有的都是合法状态，因为可以什么都不装，这个解就是0，但是如果要求恰好装满，则必须区别初始化，除了f[0]=0,其他的f[1…v]均设为-∞或者一个比较大的负数来表示该状态是非法的。这样的初始化能够保证，如果子问题的状态是合法的（恰好装满），那么才能得到合法的状态；如果子问题状态是非法的，则当前问题的状态依然非法，即不存在恰好装满的情况。
代码如下：
#include <iostream>
using namespace std;
int maxV[201]; /* 记录前i个物品中容量v时的最大价值 */
int weight[11];
int value[11];
int V, N;
void main()
{
int i, j;
scanf("%d %d",&V, &N);
for(i = 0; i < N; ++i)
{
scanf("%d %d",&weight[i],&value[i]);
}
for(i = 1; i <= V; ++i) /* 初始化非法状态 */
{
maxV[i] = -100;
}
for(i = 0; i < N; ++i)
{
for(j = V; j >= weight[i]; --j)
{
int tmp = maxV[j-weight[i]]+value[i];
maxV[j] = (maxV[j] > tmp) ? maxV[j] : tmp;
}
}
}
为了加深理解，输出每轮循环的状态矩阵如下，对照每个物体的情况，就会理解为什么做那样的初始化了。
========================================
0-1背包输出最优方案
一般来讲，背包问题都是求一个最优值，但是如果要求输出得到这个最优值的方案，就可以根据状态转移方程往后推，由这一状态找到上一状态，依次向前推即可。这样就可以有两种实现方式，一种是直接根据状态转移矩阵向前推，另一种就是使用额外一个状态矩阵记录最优方案的路径，道理都是一样的。当然也可以使用一维数组，代码更为简练，这里不罗列，相关代码可以到这里下载。
代码如下：
#include <iostream>
using namespace std;
/* 0-1背包 输出最优方案 2 直接根据状态数组算
* Time Complexity O(N*V)
* Space Complexity O(N*V)
* 设 V <= 200 N <= 10
* 状态转移方程：f(i,v) = max{ f(i-1,v), f(i-1,v-c[i])+w[i] }
*/
int maxValue[11][201]; /* 记录子问题最优解 */
int weight[11];
int value[11];
int V, N;
void main()
{
int i, j;
scanf("%d %d",&V, &N);
for(i = 0; i < N; ++i)
{
scanf("%d %d",&weight[i],&value[i]);
}
for(i = 0; i < N; ++i)
{
for(j = 0; j <= V; ++j)
{
if(i > 0)
{
maxValue[i][j] = maxValue[i-1][j];
if(j >= weight[i])
{
int tmp = maxValue[i-1][j-weight[i]] + value[i];
maxValue[i][j] = ( tmp > maxValue[i][j]) ? tmp : maxValue[i][j];
}
}else
{
if(j >= weight[0])
maxValue[0][j] = value[0];
}
}
}
printf("%d\n",maxValue[N-1][V]);
i = N-1;
j = V;
while(i >= 0)
{
if(maxValue[i][j] == maxValue[i-1][j-weight[i]] + value[i])
{
printf("%d ",i);
j = j - weight[i];
}
--i;
}
}
01背包是背包问题的基础，加深理解的最好方式就是动手写一下，然后对照最终的状态转移矩阵一一比对。