背包问题一般表现为这样的形式：有 \(N\) 件物品和一个容量为 \(V\) 的背包，选取第 \(i\) 件物品耗费 \(C_i\) 的空间，得到 \(W_i\) 的价值，问怎样使背包总价值最大。
01背包
每种物品只有一件，所以只有取或不取两种选择。
容易设计出这样的状态：\(dp[i][j]\) 表示只用前 \(i\) 件物品装入容量为 \(j\) 的背包的最大价值。在枚举到 \(dp[i][j]\) 的时候，如果我们选了这个物品，就需要为它预留下至少 \(C[i]\) 的空间，所以要从上一轮找到背包大小为 \(j - C[i]\) 时的最大价值，再和 \(W[i]\) 相加；如果我们不选，那就相当于求前 \(i-1\) 个物品装入大小为 \(j\) 的背包的最大价值，即 \(dp[i-1][j]\)。
于是我们得到了这样的状态转移方程：\(dp[i][j]=\max(dp[i-1][j],dp[i-1][j-C[i]]+W[i])\)，对应不取和取两种选择。
这种做法的时空复杂度都是 \(O(NV)\)，时间复杂度已经没办法优化了，空间复杂度可以进一步优化：
由于每一轮的状态都只从上一轮转移过来，再之前的状态都没用了，没有必要保存，所以空间复杂度可以优化到 \(O(V)\)。但是要注意，我们不能直接用 \(dp[i][j]\) 刷新 \(dp[i-1][j]\)，因为 \(dp[i-1][j]\) 以后还可能转移到 \(dp[i][j+C[i]]\)，但是从大到小更新 \(j\) 就不会出问题。
还有一个常见的问题是尽可能装满背包，其实只需初始化的时候把 \(dp[0]\) 之外的都赋值为 \(-\infty\)。这样就确保了最后有意义的状态都是从 \(dp[0]\) 处转移过来的。
完全背包
所有物品数量无限。
首先容易想到转化为01背包问题：
暴力转化：每种物品最多选 \(\dfrac{V}{C}\) 件，那就把它们分别复制这么多份，这就转化成了01背包问题，时间复杂度 \(O(NV\sum\dfrac{V}{C_i})\)。
二进制优化：将 \(\dfrac{V}{C}\) 拆成 \(2\) 的幂次和，同样能组合出所有可行的数量，时间复杂度 \(O(NV\sum\log\dfrac{V}{C_i})\)。
能不能优化到 \(O(NV)\)？现在 \(dp[i][j]\) 依然表示只用前 \(i\) 件物品装入容量为 \(j\) 的背包的最大价值。再来看状态转移方程，由于所有物品无限，有 \(dp[i][j]=\max(dp[i-1][j],dp[i][j-C[i]]+W[i])\)。为什么是 \(dp[i][j-C[i]]+W[i]\)？01背包需要保证每件物品最多选一次，如果选的话就必须从上一轮转移，因为上一轮的最优解必不可能包含这一轮的物品；完全背包恰恰相反，要从可能已经选过该物品的状态转移过来，所以从当前轮次转移。那么在实现的时候只需要把01背包的内层循环改为从小到大更新即可。
多重背包
第 \(i\) 种物品最多可选 \(M_i\) 件。
经典的做法是利用完全背包的二进制优化做法。
那么能不能也优化到 \(O(NV)\) 呢？先来观察一下没有任何优化的状态转移方程：
\[dp[i][j]=\max \lbrace dp[i-1][j-k\times v_i]+k\times w_i\rbrace,k\in [0,M_i] \]我们的目标是设计 \(O(NV)\) 的算法，就是要把 \(i-1 \to i\) 的转移从 \(O(VM_i)\) 优化到 \(O(V)\)。令 \(f(x)=dp[i-1][x]\)，\(k=\dfrac{V}{v}\) 则有
\[dp[i][V] = \max(f(V),f(V-v)+w,f(V-2v)+2w,\cdots ,f(V-kv)+kw)\\ dp[i][V-v] = \max(f(V-v),f(V-2v)+w,f(V-3v)+2w,\cdots ,f(V-(k-1)v)+(k-1)w)\\ \cdots \]那么将 \(dp[i][V-tv]\) 式子两边都减去对应的 \((k-t)w\)，就变成了：
\[dp[i][V]-kw=\max(f(V)-kw,f(V-v)-(k-1)w,\cdots ,f(V-kw))\\ dp[i][V-v]-(k-1)w=\max(f(V-v)-(k-1)w,f(V-2v)-(k-2)w,\cdots ,f(V-(k-1)w))\\ \cdots \]这样看来，只有所有对 \(v\) 取模余数相同的 \(j\) 才会互相影响，并且上面这个转移明显可以用单调队列优化。现在重新写一下状态转移方程：令 \(a=\dfrac{j}{v},b=j\mod v\)，即 \(j=av+b\)，那么 \(j-kd=(a-k)v+b\)（这里的 \(k\) 就是上面的 \(k-t\)），得到
\[dp[i][j]=\max\lbrace dp[i-1][(a-k)v+b]-(a-k)w+aw \rbrace \]所以把 \(dp[i-1][(a-k)v+b]-(a-k)w\) 放进单调队列就好了。
混合背包
根据物品所属的背包问题类别使用相应的方法求解。
分组背包
所有物品被分为 \(K\) 组，每组最多选一件。
类似于01背包，用 \(dp[k][v]\) 表示只用前 \(k\) 组的物品装入容量为 \(v\) 的背包的最大价值。
二维费用
背包和物品均具有两种费用。
那么只要加一维状态就好了。
树上背包
物品之间的依赖关系以一棵有根树的形式呈现，如果要选某个结点就需要选择它的全部祖先。
一般这样设计状态：\(dp[u][i][j]\) 表示当前结点 \(u\) 计算到前 \(i\) 个子树装入大小为 \(j\) 的背包的最大价值。假设 \(u\) 的第 \(i\) 个儿子是 \(v\)，\(v\) 有 \(n_v\) 个儿子，那么 \(dp[u][i][j]=\max(dp[u][i-1][j],dp[v][n_v][k]+dp[u][i-1][j-k])\)。和01背包一样，我们可以倒序枚举 \(j\)，省掉一维空间。显然，时间复杂度 \(O(NV^2)\)，空间复杂度 \(O(NV)\)。
树上背包问题的时间复杂度也能优化到 \(O(NV)\)，但是比较复杂。
标签：背包,DP,max,复杂度,dp,物品,NV 来源： https://www.cnblogs.com/theophania/p/NWPU-dp-pakage.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。