来聊聊背包问题思路

缘起

有童鞋反映背包问题太难了，看不懂，不理解精髓，希望小编能做个分享！郑重声明，具体的解法大家可以网上去看，本文主要讲解思路！

背包问题定义和种类

先来看看官方定义：背包问题(Knapsack problem)是一种组合优化的NP完全问题。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。问题的名称来源于如何选择最合适的物品放置于给定背包中。相似问题经常出现在商业、组合数学，计算复杂性理论、密码学和应用数学等领域中。也可以将背包问题描述为决定性问题，即在总重量不超过W的前提下，总价值是否能达到V？它是在1978年由Merkle和Hellman提出的。

简单的来说，就是排列组合，寻求最优，线性规划等等！种类大致分为三种：01背包问题，完全背包问题，多重背包问题！后面两种可以看成是第一种的延伸，也可以拆分成第一种问题处理，我们今天重点分析第一种！

01背包问题

算法很多是共通的，就像技术无国界一样，二分树都是拆成子树求解，完全背包和多重背包，都是转化成01背包，把复杂的问题简单化，把大问题拆成多个子问题!

• 问题描述
• 问题思路
• 解题代码

问题描述

有$n$件物品和$1$个容量为W的背包。每种物品均只有一件，第$i$件物品的重量为$weights[i]$，价值为$values[i]$，求解将哪些物品装入背包可使价值总和最大。

问题思路

看到上面的问题是不是有点抽象，有种无从下手的感觉，那么我们来转化下：
有5件物品，重量分别是weights[4,5,2,3,3]，价值分别是values[5,4,2,5,1]，背包的容量是10，如何放置才能价值最大！
通过上面一步，我们已经把复杂的问题抽象化了，接下来进入分析阶段！
我们确定背包的容量是固定的，需要挨个放置物品，使其价值最大，我们通过心算可以得出上述最大的值是12，即放入第一个，第三个，第四个。
现在我们需要把上面的过程，抽象化的表达出来：

这里的i代表weights和values的下标，j代表我们把容量10的背包做拆分，最大放满是10，我们也可以同时放0-9的物品，可以看作是固定容积的时候，物品选择放与不放！

我们先来看第一个物品，也就是i是1的时候

上面很好理解，当你的背包容量是0-3的时候，装不下的，那么自然是0，当是4-10的时候，那么就是4

当i是2的时候

这个也好理解，如果容量只能存一件物品，那么肯定是存价值大的，两件都能存，那么肯定是都存起来

接下来我们来看i为3的时候

同理我们可以得到i是4和i是5的值
i为4时

i为5时

最后我们得出的结论是12

接下来我们要进行下一步了，归纳，我们发现我们只需要把第i件物品，在背包容量为j时，和j-weights[i]进行对比，价值最大的那个就是此时的最优解，换而言之，V[i, j]之前的格子都是最优解，也就是现在V[i-1,j]和V[i -1, j - weights[i]] + values[i]比较区最大值，如果加了这个i，值大，那么取加后的值，如果加了这个i，值不大于V[i - 1, j]，取现在的值V[i -1, j]，这就是01背包问题的核心思路！

解题代码

这个也容易，随便搜下一大堆，这里只写核心的一行逻辑

// j < weights[i]，i不能放入的时候，取之前的最优解
V[i][j]=V[i-1][j];
// j > weights[i]，拿之前的最优解，和现在放入后最优的值比较
V[i][j]=Math.max(V[i-1][j],V[i-1][j-weights[i]]+values[i]);

边界问题

• 关于0
• 代码是如何做到后面高价值的i替代前面低价值的i

关于0

0这个问题很简单，就是第0个物品，和j为0时，那么都是价值都是0，主要是为了应对下面的问题，不能省略哦！

代码是如何做到后面高价值的i替代前面低价值的i

我们还是拿weights[4,5,2,3,3]和values[5,4,2,5,1]，背包容量10举例。
当我们i是2，j是8和9的时候，我们来分析下，童鞋们可以看前面的表格。

i是2，j是8的时候，因为不能同时放下i1和i2，V[2, 8]就是V[1, 8]和V[1,3] + 4,，通过之前的每个单元格都是最优解，我们可以知道这就是5和0+4比较，留下大的一个解。显然i2比i1小，所以i1没有被替换，但是如果i2大于i1，那么在这个V[2, 8]单元格，就是i2的值替换了i1，i>2的时候也一样，都是i - 1的解和放入i后背包的最大值比较，获得最优解！

同样，i是2，j是9的时候，V[2, 9]就是V[1, 9]和V[1,4] + 4比较，这也很好的回答了为啥必须有0，是为了计算正好放满这种情况！

总结

• 每个V[i, j]都是最优解，后面的V[i, j]如果用到前面的，那么就是在背包j当前值确定的情况下，加上i的价值，和之前的V[i - 1,j]比较，留下最大的，这也解释了为何后面i的可能会替代前面的i这个现象！最后V[i, j]最大的那个值就是本题的最优解
• 完全背包问题和多重背包问题，都可以拆成01背包问题，无非就是多加个循环，这里不赘述了！
• 01背包问题还有好多优化，滚动数组，末尾遍历，二进制等等，大家自己去看就是了！

尾声

美好的时光总是短暂的，知难行易，你学会了嘛！如果觉得本文对你有用，欢迎转发打赏哦！