标签：max 理解 二维 range 依赖 获得 它的 end 动态规划
这种类型问题三大要素：总重量、每件物品重量、每件物品价值，问最终能够塞进背包中的价值最大是多少？应该怎么选择物品？
当然也不一定是这些，例如上节所说的矿工挖矿：总人数、挖每座矿的人数、每座矿的金子数。
也就是说，只要出现了这三大要素，都可以视为0，1背包问题（物品不可拆分）
动态规划三要素：边界、最优子结构、状态转移方程。
我们一步步进行解析：
初始化：物品总重量：c=8，物品类别：n=[‘a‘,‘b‘,‘c‘,‘d‘]，物品重量：w=[2,4,5,3]，物品价值：v=[5,4,6,2]
假设我们目前只有一个物品a，
假设我们现在多了一个物品b,
假设我们现在多了一个物品c
依此类推下去，看起来挺复杂，其实是有套路的，那我们应该如何实现。
对付这种问题，一般就直接初始化一个数组：dp[len(n)+1][c+1]，即5行9列的二维数组（行代表物品种类，列代表总重量，多加一列和一行是为了更容易理解）
接下来，我们就从代码中一步步剖析：
n=[‘a‘,‘b‘,‘b‘,‘d‘] c=8 w=[2,4,5,3] v=[5,4,6,2] def bag(c,w,v): #初始化数组，dp[i][j]表示总重量为j，物品种类为i，可以获得的最大价值 dp = [[0 for _ in range(c+1)] for _ in range(len(w)+1)] #定义边界，也就是当我们只有物品a，总重量依次由0-8 #也就是第一步我们所解释的 for i in range(1,c+1): if i>=w[0]: dp[1][i] = v[0] #遍历从第二行第一列开始 for i in range(2,len(w)+1): for j in range(1,c+1): #如果对于第i个物品，当前总重量放不下它，那么获得的最大值就是放下之前的i-1个 if j<w[i-1]: dp[i][j] = dp[i-1][j] #如果放得下，那么获得的最大值就是max(放下之前的i-1个，第i个物品的价值+ # （总重量-第i个物品的重量)在前i-1个物品的值) #注意下标，第i个物品的重量是w[i-1]，价值是v[i-1] else: dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i-1]]+v[i-1]) return dp def show(c,w,dp): print("最大价值为：",dp[len(w)][c]) x = [False for _ in range(len(w)+1)] j = c #8 i = len(w) #4 while i>=0: if dp[i][j]>dp[i-1][j]: x[i]=True j=j-w[i-1] i-=1 print("选择的物品是：") for i in range(len(w)+1): if x[i]: print("第",i,"个",end=‘‘) print(‘‘) dp = bag(c,w,v) for i in range(len(w)+1): print(dp[i]) show(c,w,dp)
运行结果：
最后在输出第几个物品的时候采用由下往上，如果下面的值大于上面的值，说明这个物品被放置了，然后总重量减去该物品重量，继续判断，如蓝色所标记的。
总结：背包问题三步走：
（1）初始化dp数组，行为物品个数+1，列为总重量+1
（2）初始化边界，只放一个物品，在不同总重量下得到的价值
（3）遍历数组，依赖dp[i-1]更新dp[i]
标签：max 理解 二维 range 依赖 获得 它的 end 动态规划
原文地址：https://www.cnblogs.com/xiximayou/p/12004082.html
