动态规划解决0-1背包问题：工作选择最优策略

1. 问题分析与解题思路

这道题目本质上是一个经典的0-1背包问题变种。我们需要在有限的工作时间内（背包容量），选择一组工作（物品），使得总报酬（价值）最大化，同时不超过总工作时长限制（背包容量限制）。

1.1 问题建模

我们可以将问题抽象为：

• 容量限制：总工作时长T
• 物品集合：n个工作，每个工作有耗时t和报酬w
• 目标：选择工作子集，使得总耗时≤T，且总报酬最大

1.2 算法选择

对于这类问题，常见的解法有：

1. 暴力枚举：时间复杂度O(2^n)，n=3000时完全不可行
2. 动态规划：时间复杂度O(n*T)，在本题参数范围内可行
3. 贪心算法：无法保证最优解

考虑到题目给出的数据范围（T<100000，n<3000），动态规划是最合适的选择。我们可以使用经典的0-1背包DP解法。

2. 动态规划解法详解

2.1 DP状态定义

定义dp[i][j]表示考虑前i个工作，总时长为j时能获得的最大报酬。

2.2 状态转移方程

对于每个工作i，我们有两种选择：

1. 不选这个工作：dp[i][j] = dp[i-1][j]
2. 选这个工作：dp[i][j] = dp[i-1][j-t_i] + w_i

因此状态转移方程为：
dp[i][j] = max(dp[i-1][j], dp[i-1][j-t_i] + w_i)

2.3 初始化

dp[0][j] = 0 （没有工作时报酬为0）
dp[i][0] = 0 （工作时长为0时报酬为0）

2.4 空间优化

由于dp[i]只依赖于dp[i-1]，可以使用一维数组优化空间：
dp[j] = max(dp[j], dp[j-t_i] + w_i)

注意需要从后向前遍历j，避免覆盖之前的状态。

3. 代码实现与解析

3.1 Python实现

python复制def max_reward(T, n, jobs):
    dp = [0] * (T + 1)
    for t, w in jobs:
        for j in range(T, t - 1, -1):
            dp[j] = max(dp[j], dp[j - t] + w)
    return dp[T]