动态规划解决背包问题：0-1背包与完全背包详解

1. 背包问题基础概念解析

背包问题是动态规划领域的经典问题，在实际工程和算法竞赛中都有广泛应用。简单来说，背包问题描述的是：给定一个容量有限的背包和若干物品，每个物品有特定的重量和价值，如何选择装入背包的物品，使得背包中物品的总价值最大。

1.1 0-1背包问题核心特征

0-1背包问题的"0-1"特性体现在每个物品只能选择放入（1）或不放入（0）背包，不能分割物品。这在实际场景中非常常见，比如：

• 旅行时选择要带的物品（每个物品要么带要么不带）
• 投资组合选择（每个项目要么投资要么不投资）
• 资源分配问题（每项任务要么分配资源要么不分配）

数学表达为：
给定背包容量W，n个物品的重量w[i]和价值v[i]，求：
max Σv[i]x[i]
s.t. Σw[i]x[i] ≤ W
x[i] ∈

1.2 完全背包问题核心特征

完全背包与0-1背包的关键区别在于：每种物品可以选取无限次。这在实际中对应以下场景：

• 原材料采购（可以购买任意数量的某种原料）
• 货币兑换问题（可以使用同种面额货币多次）
• 资源再生产问题（同种资源可以重复利用）

数学表达为：
给定背包容量W，n种物品的重量w[i]和价值v[i]，求：
max Σv[i]x[i]
s.t. Σw[i]x[i] ≤ W
x[i] ∈ N (非负整数)

2. 动态规划解法深度剖析

动态规划是解决背包问题的标准方法，其核心思想是通过将原问题分解为相对简单的子问题来求解。

2.1 0-1背包的二维DP解法

go复制func test01pack() {
    var result [100][100]int
    var itemCount, maxVolume int
    fmt.Scan(&itemCount, &maxVolume)
    
    for i := 1; i <= itemCount; i++ {
        var weight, value int
        fmt.Scan(&weight, &value)
        for j := maxVolume; j >= weight; j-- {
            result[i][j] = max(result[i-1]