图解01背包问题
//该方法是使用的记忆搜索的方法，请自行简化。 Int rec( int I , int j){ int res; if(i==n){ res=0; //表明物品已经放完了。 }else if(j<w[i]){ res=rec(i+1,j);//此时包内的空间不够放下第I个物品。 }else{ res=max(rec(i+1,j),rec(i+1,j-w[i])+v[i]); // 进行比较，如果放入物品的价值比原来已经放入物品的总价 值高，则替换原来的 } dp[i][j]=res; return dp[i][j]; }
4 0 3 5>3 6>4 6>5
5 0 3 5>3 6>4 7>6
0 1 2 3 4
所以这些单元格里面都填入0， 即价值为0
当空间为1的时候，只能放下 一件价值为2的物品
Dp[i+1][j-w[i]]+v[i]
整体来说，需要考虑的是： 1、当前包内所占用的空间和总的价值。 2、如果我把当前的物品不放进包里，那么包内的价值会保持 上一次操作的结果。 3、如果，我把当前的物品放进包内会发生什么变化：我要把 当前物品放进去，肯定要给他足够的空间，如果空间不够，自 然是放不进去的，如果空间够了，那么我会把之前放入的物品 拿出来一些，为当前的物品腾出空间。但是这时，我就得判断 一下，我把当前物品放进去后，包内的总价值是不是比原来的 高，（也可以这样考虑，我拿出的那一部分物品的价值是不是 比当前物品的价值要高）如果不是，那么我就无需把当前的物 品放进去了，因为得不到我想要的结果。如果是，就放进去。
#include<iostream> using namespace std; #include<iostream> using namespace std; int n,W; int w[10],v[10]; int dp[10][10]; int max(int x,int y){ if(x>y)return x; else return y; } void slove(){ cout<<rec(0,W); } int main(){ cout<<"please enter n and W:"; cin>>n>>W; for(int i=0;i<n;i++){ cin>>w[i]>>v[i]; } slove(); return 0; }
01背包问题——动态规划 首先给出数据：物品的个数是4，w , v分别为(2,3),(1,2),(3,4),(2,2);背包容量为5
表示背包没有空间可以放东西
i/j
表 示 没 有 物 品 放 入
0 0 0 0Байду номын сангаас0 0
1 0 0 2 2 2
2 0 3 3>2 3>2 3>2
3 0 3 5>3 5>4 5>4
01背包问题（回溯法）
01背包问题（回溯法） 回溯法是⼀个既带有系统性⼜带有跳跃性的搜索算法。
它在包含问题的所有解的解空间树中，按深度优先策略，从根结点出发搜索解空间树。
算法搜索⾄解空间树的任意⼀结点时，先判断该结点是否包含问题的解。
如果肯定不包含，则跳过对该结点为根的⼦树搜索，逐层向其祖先结点回溯；否则，进⼊该⼦树，继续按深度优先策略搜索。
问题的解空间⽤回溯法解问题时，应明确定义问题的解空间。
问题的解空间⾄少包含问题的⼀个(最优)解。
对于 n=3 时的 0/1 背包问题，可⽤⼀棵完全⼆叉树表⽰解空间，如图所⽰：求解步骤1)针对所给问题，定义问题的解空间；2)确定易于搜索的解空间结构；3)以深度优先⽅式搜索解空间，并在搜索过程中⽤剪枝函数避免⽆效搜索。
常⽤的剪枝函数：⽤约束函数在扩展结点处剪去不满⾜约束的⼦树；⽤限界函数剪去得不到最优解的⼦树。
回溯法对解空间做深度优先搜索时，有递归回溯和迭代回溯（⾮递归）两种⽅法，但⼀般情况下⽤递归⽅法实现回溯法。
算法描述 解 0/1 背包问题的回溯法在搜索解空间树时，只要其左⼉⼦结点是⼀个可⾏结点，搜索就进⼊其左⼦树。
当右⼦树中有可能包含最优解时才进⼊右⼦树搜索。
否则将右⼦树剪去。
代码：public class Knapsack_Problem01 {double m=100; //背包最⼤容量int n=5; //物品的个数int[] w = {10,20,30,40,50}; //第i个物品的重量int[] v = {20,30,65,40,60}; //第i个物品的价值int[] a = new int[n]; //记录在树中的移动路径,为1的时候表⽰选择该组数据，为0的表⽰不选择该组数据int maxvalue = 0; //背包的最⼤权重值public static void main(String[] args){Knapsack_Problem01 p = new Knapsack_Problem01();p.Search(0);}public void Search(int i) //i表⽰递归深度{if(i>=n){CheckMax();}else {a[i] = 0;Search(i+1);a[i] = 1;Search(i+1);}}public void CheckMax(){int weight = 0;int value = 0;for(int i=0;i<n;i++) //判断是否达到上限{if(a[i] == 1){weight = weight + w[i];value = value + v[i];}}if(weight <= m){if(value >= maxvalue){maxvalue = value;System.out.print("最⼤价值是：" + maxvalue +" ");System.out.print("所选取的物品为(1代表选中，0代表不选中)： ");for(int j=0;j<n;j++){System.out.print(a[j]);System.out.print(' ');}System.out.print('\n');}}}}。
图解01背包问题
表示背包没有空间可以放东西
i/j
表 示 没 有 物 品 放 入
0 0 0 0 0 0
1 0 0 2 2 2
2 0 3 3>2 3>2 3>2
3 0 3 5>3 5>4 5>4
//该方法是使用的记忆搜索的方法，请自行简化。 Int rec( int I , int j){ int res; if(i==n){ res=0; //表明物品已经放完了。 }else if(j<w[i]){ res=rec(i+1,j);//此时包内的空间不够放下第I个物品。 }else{ res=max(rec(i+1,j),rec(i+1,j-w[i])+v[i]); // 进行比较，如果放入物品的价值比原来已经放入物品的总价 值高，则替换原来的 } dp[i][j]=res; return dp[i][j]; }
#include<iostream> using namespace std; #include<iostream> using namespace std; int n,W; int w[10],v[10]; int dp[10][10]; int max(int x,int y){ if(x>y)return x; else return y; } void slove(){ cout<<rec(0,W); } int main(){ cout<<"please enter n and W:"; cin>>n>>W; for(int i=0;i<n;i++){ cin>>w[i]>>v[i]; } slove(); return 0; }
Pascal经典算法-背包问题析ppt课件
递归概念
我们可以用choose(I,z)来表示后i个物品在只剩下v个体积的空间中取的最 大价值
所谓的背包问题，可以描画如下： 一个小偷打劫一个保险箱，发现柜子里有N
个不同大小与价值的物品，但小偷只需一 个容积为M的背包来装东西，背包问题就 是要找出一个小偷选择所偷物品的组合， 以使偷走的物品总价值最大。我们标识每 个物品的价为ＶI,大小是ZI
算法描画
对于0/1背包相关的问题我们有多种方法可 以处理
end;
end;
0/1背包问题的分析
该背包问题的目的在于求最优解，所以我们要用 回溯的方法将一切的解求出来，逐一比较求最优 秀的解；
对于每个节点的扩展只需两种类能够要不取，要 不不取，所以该搜索树为一个N层的二叉树。
解空间的长度是<=n。 解空间的组织方式是一棵2叉树，一个可行的解就
是从根节点到叶子节点的一条途径。每个解为一 个长度不超越N的0/1代码序列 控制战略那么是前面的选择没有超越背包的容量。
end;
for i:=算符最小值 to 算符最大值 do
begin
算符i作用于生成stack[k-1]产生子形状stack[k];
if stack[k]满足约束条件 then make(k+1);{假设不满足，那么经过for循环换一个算
算符扩展。注：假设在扩展stack[k].state时运用过全局变量，那么应插入假设干条语句，恢
二、回溯的通用描画算法
program 程序名；
动态规划——01背包问题
动态规划——01背包问题⼀、最基础的动态规划之⼀01背包问题是动态规划中最基础的问题之⼀，它的解法完美地体现了动态规划的思想和性质。
01背包问题最常见的问题形式是：给定n件物品的体积和价值，将他们尽可能地放⼊⼀个体积固定的背包，最⼤的价值可以是多少。
我们可以⽤费⽤c和价值v来描述⼀件物品，再设允许的最⼤花费为w。
只要n稍⼤，我们就不可能通过搜索来遍查所有组合的可能。
运⽤动态规划的思想，我们把原来的问题拆分为⼦问题，⼦问题再进⼀步拆分直⾄不可再分（初始值），随后从初始值开始，尽可能地求取每⼀个⼦问题的最优解，最终就能求得原问题的解。
由于不同的问题可能有相同的⼦问题，⼦问题存在⼤量重叠，我们需要额外的空间来存储已经求得的⼦问题的最优解。
这样，可以⼤幅度地降低时间复杂度。
有了这样的思想，我们来看01背包问题可以怎样拆分成⼦问题：要求解的问题是：在n件物品中最⼤花费为w能得到的最⼤价值。
显然，对于0 <= i <= n,0 <= j <= w，在前i件物品中最⼤花费为j能得到的最⼤价值。
可以使⽤数组dp[n + 1][w + 1]来存储所有的⼦问题，dp[i][j]就代表从前i件物品中选出总花费不超过j时的最⼤价值。
可知dp[0][j]值⼀定为零。
那么，该怎么递推求取所有⼦问题的解呢。
显⽽易见，要考虑在前i件物品中拿取，⾸先要考虑前i - 1件物品中拿取的最优情况。
当我们从第i - 1件物品递推到第i件时，我们就要考虑这件物品是拿，还是不拿，怎样收益最⼤。
①：⾸先，如果j < c[i]，那第i件物品是⽆论如何拿不了的，dp[i][j] = dp[i - 1][j];②：如果可以拿，那就要考虑拿了之后收益是否更⼤。
拿这件物品需要花费c[i]，除去这c[i]的⼦问题应该是dp[i - 1][j - c[i]]，这时，就要⽐较dp[i - 1][j]和dp[i - 1][j - c[i]] + v[i]，得出最优⽅案。
背包问题课件
刷表法——手推
【样例输入】package.in
10 4
21
for(int i=1;i<=n;++i)
Hale Waihona Puke 33for(int v=m;v>=w[i];--v)
45
f[v]=max(f[v],f[v-w[i]]+c[i])
79
【样例输出】package.out
12
i
W[i]
C[i]
i=0
0
0
i=1
2
1
i=2
理一件物品，作为一个阶段，共有n个 阶段 2、定义状态：
定义f[i][v]是前i件物品恰好放 入一个容量为v的背包，所得到的最大 价值 3、状态转移方程： 若第i件物品没有放入背包，则f[i][v]=f[i-
1][v] 若第i件物品放入背包，则f[i][v]=f[i-1][v-
w[i]]+c[i] 根据状态定义，f[i][v]=max(f[i-1][v],f[i-
【输出格式】 仅一行，一个数，表示最大总价值。
【样例输入】package.in 10 4 21 33 45 79
【样例输出】package.out 12
01背包
【问题描述】 一个旅行者有一个最多能用m公斤的
背包，现在有n件物品，它们的重量分别是 W1，W2，...,Wn,它们的价值分别为 C1,C2,...,Cn.若每种物品只有一件求旅行者 能获得最大总价值。 【输入格式】
1][v-w[i]]+c[i]) 4、临界值： 当i==0时，表示一件物品也没有， f[0][v]=0，数组f在main函数前定义即可
刷表法——手推
【样例输入】package.in 10 4
背包九讲完整版_背包九讲
背包九讲P01: 01背包问题题目有N件物品和一个容量为V的背包。
第i件物品的费用是c[i]，价值是w[i]。
求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。
基本思路这是最基础的背包问题，特点是：每种物品仅有一件，可以选择放或不放。
用子问题定义状态：即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。
则其状态转移方程便是：f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}。
这个方程非常重要，基本上所有跟背包相关的问题的方程都是由它衍生出来的。
所以有必要将它详细解释一下：“将前i件物品放入容量为v的背包中”这个子问题，若只考虑第i件物品的策略（放或不放），那么就可以转化为一个只牵扯前i-1件物品的问题。
如果不放第i件物品，那么问题就转化为“前i-1件物品放入容量为v的背包中”；如果放第i件物品，那么问题就转化为“前i-1件物品放入剩下的容量为v-c[i]的背包中”，此时能获得的最大价值就是f[i-1][v-c[i]]再加上通过放入第i件物品获得的价值w[i]。
注意f[i][v]有意义当且仅当存在一个前i件物品的子集，其费用总和为v。
所以按照这个方程递推完毕后，最终的答案并不一定是f[N] [V]，而是f[N][0..V]的最大值。
如果将状态的定义中的“恰”字去掉，在转移方程中就要再加入一项f[i][v-1]，这样就可以保证f[N] [V]就是最后的答案。
至于为什么这样就可以，由你自己来体会了。
优化空间复杂度以上方法的时间和空间复杂度均为O(N*V)，其中时间复杂度基本已经不能再优化了，但空间复杂度却可以优化到O(V)。
先考虑上面讲的基本思路如何实现，肯定是有一个主循环i=1..N，每次算出来二维数组f[i][0..V]的所有值。
那么，如果只用一个数组f [0..V]，能不能保证第i次循环结束后f[v]中表示的就是我们定义的状态f[i][v]呢？f[i][v]是由f[i-1][v]和f[i-1] [v-c[i]]两个子问题递推而来，能否保证在推f[i][v]时（也即在第i次主循环中推f[v]时）能够得到f[i-1][v]和f[i-1][v -c[i]]的值呢？事实上，这要求在每次主循环中我们以v=V..0的顺序推f[v]，这样才能保证推f[v]时f[v-c[i]]保存的是状态f[i -1][v-c[i]]的值。
动态规划-01背包问题
动态规划——01背包问题01背包问题，是用来介绍动态规划算法最经典的例子，网上关于01背包问题的讲解也很多，我写这篇文章力争做到用最简单的方式，最少的公式把01背包问题讲解透彻。
01背包的状态转换方程 f[i,j] = Max{ f[i-1,j-Wi]+Pi( j >= Wi ), f[i-1,j] }f[i,j]表示在前i件物品中选择若干件放在承重为j 的背包中，可以取得的最大价值。
Pi表示第i件物品的价值。
决策：为了背包中物品总价值最大化，第i件物品应该放入背包中吗？题目描述：有编号分别为a,b,c,d,e的五件物品，它们的重量分别是2,2,6,5,4，它们的价值分别是6,3,5,4,6，现在给你个承重为10的背包，如何让背包里装入的物品具有最大的价值总和？只要你能通过找规律手工填写出上面这张表就算理解了01背包的动态规划算法。
首先要明确这张表是至底向上，从左到右生成的。
为了叙述方便，用e2单元格表示e行2列的单元格，这个单元格的意义是用来表示只有物品e 时，有个承重为2的背包，那么这个背包的最大价值是0，因为e物品的重量是4，背包装不了。
对于d2单元格，表示只有物品e，d时,承重为2的背包,所能装入的最大价值，仍然是0，因为物品e,d都不是这个背包能装的。
同理，c2=0，b2=3,a2=6。
对于承重为8的背包，a8=15,是怎么得出的呢？根据01背包的状态转换方程，需要考察两个值，一个是f[i-1,j],对于这个例子来说就是b8的值9，另一个是f[i-1,j-Wi]+Pi；在这里， f[i-1,j]表示我有一个承重为8的背包，当只有物品b,c,d,e四件可选时，这个背包能装入的最大价值f[i-1,j-Wi]表示我有一个承重为6的背包（等于当前背包承重减去物品a的重量），当只有物品b,c,d,e四件可选时，这个背包能装入的最大价值f[i-1,j-Wi]就是指单元格b6,值为9，Pi指的是a物品的价值，即6由于f[i-1,j-Wi]+Pi = 9 + 6 = 15 大于f[i-1,j] = 9，所以物品a应该放入承重为8的背包以下是actionscript3 的代码[java]view plain copy1.public function get01PackageAnswer(bagItems:Array,bagSize:int):Array2.{3. var bagMatrix:Array=[];4. var i:int;5. var item:PackageItem;6.for(i=0;i<bagItems.length;i++)7. {8. bagMatrix[i] = [0];9. }10.for(i=1;i<=bagSize;i++)11. {12.for(var j:int=0;j<bagItems.length;j++)13. {14. item = bagItems[j] as PackageItem;15.if(item.weight > i)16. {17.//i背包转不下item18.if(j==0)19. {20. bagMatrix[j][i] = 0;21. }22.else23. {24. bagMatrix[j][i]=bagMatrix[j-1][i];25. }26. }27.else28. {29.//将item装入背包后的价值总和30. var itemInBag:int;31.if(j==0)32. {33. bagMatrix[j][i] = item.value;34.continue;35. }36.else37. {38. itemInBag = bagMatrix[j-1][i-item.weight]+item.value;39. }40. bagMatrix[j][i] = (bagMatrix[j-1][i] > itemInBag ? bagMatrix[j-1][i] : itemInBag)41. }42. }43. }44.//find answer45. var answers:Array=[];46. var curSize:int = bagSize;47.for(i=bagItems.length-1;i>=0;i--)48. {49. item = bagItems[i] as PackageItem;50.if(curSize==0)51. {52.break;53. }54.if(i==0 && curSize > 0)55. {56. answers.push();57.break;58. }59.if(bagMatrix[i][curSize]-bagMatrix[i-1][curSize-item.weight]==item.value)60. {61. answers.push();62. curSize -= item.weight;63. }64. }65.return answers;66.}PackageItem类[java]view plain copy1.public class PackageItem2.{3.public var name:String;4.public var weight:int;5.public var value:int;6.public function PackageItem(name:String,weight:int,value:int)7. { = name;9.this.weight = weight;10.this.value = value;11. }12.}测试代码[java]view plain copy1.var nameArr:Array=['a','b','c','d','e'];2.var weightArr:Array=[2,2,6,5,4];3.var valueArr:Array=[6,3,5,4,6];4.var bagItems:Array=[];5.for(var i:int=0;i<nameArr.length;i++)6.{7. var bagItem:PackageItem = new PackageItem(nameArr[i],weightArr[i],valueArr[i]);8. bagItems[i]=bagItem;9.}10.var arr:Array = ac.get01PackageAnswer(bagItems,10);出师表两汉：诸葛亮先帝创业未半而中道崩殂，今天下三分，益州疲弊，此诚危急存亡之秋也。
动态规划求解01背包问题
动态规划求解01背包问题问题给定n种物品和⼀个背包，物品(1<=i<=n)重量是w I ，其价值v i,背包容量为C,对每种物品只有两种选择：装⼊背包和不装⼊背包，即物品是不可能部分装⼊，部分不装⼊。
如何选择装⼊背包的物品，使其价值最⼤？想法该问题是最优化问题，求解此问题⼀般采⽤动态规划（dynamic plan），很容易证明该问题满⾜最优性原理。
动态规划的求解过程分三部分：⼀：划分⼦问题：将原问题划分为若⼲个⼦问题，每个⼦问题对应⼀个决策阶段，并且⼦问题之间具有重叠关系⼆：确定动态规划函数：根据⼦问题之间的重叠关系找到⼦问题满⾜递推关系式（即动态规划函数），这是动态规划的关键三：填写表格：设计表格，以⾃底向上的⽅式计算各个⼦问题的解并填表，实现动态规划过程。
思路：如何定义⼦问题？0/1背包可以看做是决策⼀个序列（x1,x2,x3,…,xn）,对任何⼀个变量xi的决策时xi=1还是xi=0. 设V(n,C)是将n个物品装⼊容量为C的背包时背包所获得的的最⼤价值，显然初始⼦问题是将前i个物品装如容量为0的背包中和把0个物品装⼊容量为j的背包中，这些情况背包价值为0即V(i,0)=V(0,j)=0 0<=i<=n, 0<=j<=C接下来考虑原问题的⼀部分，设V(I,j)表⽰将前i个物品装⼊容量为j的背包获得的最⼤价值，在决策xi时，已经确定了(x1,x2,…,xi-1)，则问题处于下列两种情况之⼀：1. 背包容量不⾜以装⼊物品i，则装⼊前i-1个物品的最⼤价值和装⼊前i个物品最⼤价值相同，即xi=0，背包价值没有增加2. 背包容量⾜以装⼊物品i，如果把物品i装⼊背包，则背包物品价值等于把前i-1个物品装⼊容量为j-wi的背包中的价值加上第i个物品的价值vi；如果第i个物品没有装⼊背包，则背包价值等于把前i-1个物品装⼊容量为j的背包中所取得的价值，显然，取⼆者最⼤价值作为把物品i装⼊容量为j的背包中的最优解，得到如下递推公式为了确定装⼊背包中的具体物品，从V(n,C)的值向前推，如果V（n，C）>V(n-1,C),则表明第n个物品被装⼊背包中，前n-1个物品被装⼊容量为C-wn的背包中；否则，第n个物品没有被装⼊背包中，前n-1个物品被装⼊容量为C的背包中，依次类推，直到确认第⼀个物品是否被装⼊背包中代码C++实现1. // dp_01Knapsack.cpp : 定义控制台应⽤程序的⼊⼝点。
01背包问题（01knapsackproblem）
01背包问题（01knapsackproblem）0 / 1 背包问题(0 / 1 knapsack problem)背包问题（Knapsack problem）是⼀种组合优化的问题。
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，即在总重量不超过W的前提下，总价值是否能达到V。
1、题⽬描述假设商店中有如下3个商品，他们的重量和价格如下：索引重量价值011500143000232000假如你是⼀个⼩偷，你有⼀个重量为4的包，每个商品只能偷⼀次，请问你怎么偷才会使得最后的价值最⼤？2、分析这种问题⼀般可以⽤动态规划很好地解决。
但是如果我不⽤动态规划，⽽是⽤搜索所有情况来解决也可以，每个商品都有偷或不偷的选项，所以n个商品就有n^2种情况，所以⽤遍历的⽅法时间复杂度为O(n^2) n为商品的数量现在我们假设B(k, w)表⽰的是前k个商品，在背包容量为w的情况下能偷的最⾼价值当现在⾯对的第k个物品重量太重时：B(k, w) = B(k-1, w)，代表我在多了⼀个物品的选择的情况下，仍然和没有这件物品时的选择⼀样，所以结果也⼀样（因为我偷不了或者我不偷的情况）当第k个物品的重量我可以接受时：B(k, w) = B(k-1, w - 这件物品的重量) + 这件物品的价值代表我如果偷了这件物品，那剩下的w - 这件物品重量的空间可以容纳的最⼤价值就是在上⼀次选择时B(k-1, w - 这件物品的重量)的值。
再加上这件物品的价值就是我偷了这件物品的最⼤值。
所以，在衡量⼀个B(k, w)时，⾸先看⼀下能不能偷，能得话看⼀下偷还是不偷两个的最⼤值，就是B(k, w)的值，所以我们回到上⾯的问题，问题的解就是B(2，4)的值我们⽤⼆维数组 dp[][]来表⽰整个的过程可选商品 \ 背包容量012340号商品（1，1500）015001500150015000 ~ 1号商品（4，3000）015001500150030000 ~ 2号商品（3，2000）01500150020003500如图中加粗数字1500代表的是在有前两个商品，背包容量为2时可以偷的最⼤价值为1500图中加粗数字3000，即在有前2个商品，背包重量为4时，可以偷的最⼤价值为3000，这个数是这样算的：第⼆个商品（1号）重量为4，正好满⾜，如果偷的话所以价值为3000 + 0 = 3000如果不偷的话价值和只有1个商品，背包容量为4的价值⼀样，1500取最⼤值为3000所以问题的关键就在构建这个⼆维数组3、实现/*** 时间复杂度：O(n * capacity) n为商品数量，capacity为包的⼤⼩* 空间复杂度：O(n * capacity) 可以优化为capacity*/public class Main{/*** 0/1 背包问题* @param w w[i]代表i号物品的重量（从0开始）* @param v v[i]代表i号物品的价值（从0开始）* @param capacity 代表包的最⼤容量* @return 可以偷的商品的最⼤值*/public static int knapsack(int[] w, int[] v, int capacity){int goods = w.length; // 商品数int[][] dp = new int[goods][capacity + 1];// 初始化第⼀⾏,因为第⼀⾏上层没有元素了，即只有第⼀个商品时for(int j = 1; j <= capacity; j++){if(j >= w[0]) dp[0][j] = v[0];}// 前i个商品, 背包容量为j时偷得最⼤价值for(int i = 1; i < goods; i++) {for(int j = 1; j < capacity + 1; j++) {// 如果容量不够放下第i个商品if(w[i] > j) {dp[i][j] = dp[i-1][j];} else { // 如果可以放下这件商品dp[i][j] =Math.max(dp[i-1][j], v[i] + dp[i-1][j-w[i]]);}}}// System.out.println(Arrays.deepToString(dp));return dp[goods - 1][capacity];}}⽤滚动数组优化空间复杂度：因为如果我们从后往前构建每⼀⾏，那上⼀⾏保留的就可以在构建时候⽤/*** 时间复杂度：O(n * capacity) n为商品数量，capacity为包的⼤⼩* 空间复杂度：O(capacity)*/public class Main{/*** 0/1 背包问题* @param w w[i]代表i号物品的重量（从0开始）* @param v v[i]代表i号物品的价值（从0开始）* @param capacity 代表包的最⼤容量* @return 可以偷的商品的最⼤值*/public static int knapsack(int[] w, int[] v, int capacity){int goods = w.length; // 商品数int[] dp = new int[capacity + 1];// 前i个商品, 背包容量为j时偷得最⼤价值for(int i = 0; i < goods; i++) {for(int j = capacity; j > 0; j--) {// 如果能装下就更新，装不下就不更新(上⼀⾏的值)if(j - w[i] >= 0) {dp[j] = Math.max(dp[j], v[i] + dp[j - w[i]]);}}}return dp[capacity];}}。
01背包问题多种解法
一、问题描绘0/1 背包问题 :现有 n 种物件，对1<=i<=n，已知第i 种物件的重量为正整数W i，价值为正整数V i，背包能蒙受的最大载重量为正整数W ，现要求找出这n 种物件的一个子集，使得子集中物品的总重量不超出W 且总价值尽量大。
（注意：这里对每种物件或许全取或许一点都不取，不一样意只取一部分）二、算法剖析依据问题描绘，能够将其转变为以下的拘束条件和目标函数：nw i x i W(1)i1x i{ 0,1}( 1i n)nmax v i x i (2)i1于是，问题就归纳为找寻一个知足拘束条件（ 1 ），并使目标函数式（ 2 ）达到最大的解向量 X(x1, x2 , x3 ,......, x n ) 。
第一说明一下0-1 背包问题拥有最优解。
假定 (x1, x2 , x3 ,......, x n ) 是所给的问题的一个最优解，则 (x2 , x3,......, x n ) 是下边问题的nw i x i W w1x1 maxn一个最优解：i 2v i x i。
假如不是的话，设( y2, y3 ,......, y n ) 是这x i{ 0,1}( 2i n)i 2n n n个问题的一个最优解，则v i y i v i x i，且 w1x1w i y i W 。
因此，i 2i 2i 2n n nv1x1v i y i v1 x1v i x i v i x i，这说明 (x1, y2 , y3 ,........, y n ) 是所给的0-1 背包问i 2i 2i 1题比 ( x1 , x2 , x3 ,........, x n ) 更优的解，进而与假定矛盾。
穷举法：用穷举法解决0-1 背包问题，需要考虑给定n 个物件会合的所有子集，找出所有可能的子集（总重量不超出背包重量的子集），计算每个子集的总重量，而后在他们中找到价值最大的子集。
因为程序过于简单，在这里就不再给出，用实例说明求解过程。