完全背包问题：动态规划解法与应用场景详解

1. 完全背包问题概述

完全背包问题是动态规划领域的经典案例，也是算法竞赛和面试中的高频考点。与01背包问题不同，完全背包允许每种物品被无限次选取，这种特性使得其状态转移方程的设计需要更精巧的思考。我第一次接触这个问题时，曾被它与01背包的相似性所迷惑，直到亲手推导状态转移过程才真正理解其本质差异。

在实际应用中，完全背包模型可以解决很多资源分配问题。比如在投资组合优化中，当某种投资标的可以重复选择时；或者在工业生产中，当某种原材料可以被无限次使用时。理解其状态转移逻辑，不仅是为了解决算法题，更是培养动态规划思维的重要训练。

2. 问题定义与数学建模

2.1 形式化定义

给定n种物品和一个容量为W的背包。第i种物品的重量为w_i，价值为v_i，每种物品有无限个可用。我们需要选择物品装入背包，使得在不超过背包容量的前提下，背包中物品的总价值最大。

用数学语言描述就是：

• 目标：maximize Σ(v_i * x_i)
• 约束条件：Σ(w_i * x_i) ≤ W
• 其中x_i ≥ 0且为整数

2.2 与01背包的关键区别

很多初学者容易混淆完全背包和01背包，这里我特别强调它们的本质差异：

• 01背包：每种物品只能选0次或1次（x_i ∈ {0,1}）
• 完全背包：每种物品可以选任意非负整数次（x_i ≥ 0）

这个差异会导致状态转移方程的显著不同。在01背包中，我们只需要考虑"选"或"不选"当前物品一次，而完全背包需要考虑选0次、1次、2次...直到超过背包容量。

3. 动态规划解法详解

3.1 状态定义

我们定义dp[i][j]表示：考虑前i种物品，在背包容量为j时能获得的最大价值。这个定义与01背包一致，但后续的状态转移会展现出关键区别。

3.2 朴素状态转移方程

最直观的思路是：对于第i种物品，我们可以选择取0次、1次、...，直到k次，其中k*w_i ≤ j。因此可以得到：

dp[i][j] = max(dp[i-1][j-kw_i] + kv_i) for all k ≥ 0 and k*w_i ≤ j

这个方程虽然正确，但时间复杂度高达O(nW^2)，因为对于每个j，k的可能取值可以达到O(W)量级。

3.3 优化状态转移方程

通过观察可以发现一个关键性质：
dp[i][j] = max(dp[i-1][j], dp[i][j-w_i] + v_i)

这个优化的推导过程是这样的：

• 如果我们不选第i种物品，那么dp[i][j] = dp[i-1][j]
• 如果我们至少选一次第i种物品，那么可以先选一个，然后考虑在j-w_i容量下的最优解，即dp[i][j-w_i] + v_i

这个优化将时间复杂度降到了O(nW)，是典型的动态规划优化技巧。

关键理解点：dp[i][j-w_i]已经隐含了"可以重复选择当前物品"的特性，因为它是在考虑前i种物品（而非i-1种）时的最优解。

4. 状态转移方程的详细推导

4.1 数学归纳法证明

为了更严谨地理解这个优化，我们可以用数学归纳法来证明：

假设对于所有j' < j，dp[i][j']已经计算正确。那么对于dp[i][j]：

1. 如果不选第i种物品，最大值确实是dp[i-1][j]
2. 如果至少选一次第i种物品，那么最优解应该是在选了一次之后，剩余容量j-w_i下的最优解加上v_i。而由于物品可以重复选择，这个剩余容量的最优解仍然是dp[i][j-w_i]而非dp[i-1][j-w_i]

因此，dp[i][j] = max(dp[i-1][j], dp[i][j-w_i] + v_i)是正确的。

4.2 与01背包的对比分析

01背包的状态转移方程是：
dp[i][j] = max(dp[i-1][j], dp[i-1][j-w_i] + v_i)

区别仅在于第二个项是dp[i-1][]而非dp[i][]。这个微小差别反映了两种问题的本质不同：

• 01背包：选了当前物品后，后续只能考虑前i-1种物品
• 完全背包：选了当前物品后，仍然可以考虑再次选择当前物品

4.3 空间复杂度优化

类似于01背包，完全背包也可以优化空间复杂度到O(W)。但需要注意的是，内层循环需要正向遍历：

python复制def complete_knapsack(W, weights, values):
    n = len(weights)
    dp = [0] * (W + 1)
    for i in range(n):
        for j in range(weights[i], W + 1):
            dp[j] = max(dp[j], dp[j - weights[i]] + values[i])
    return dp[W]

正向遍历的原因在于：我们需要在计算dp[j]时，dp[j-w_i]可能已经包含了当前物品的选择，这正是完全背包的特性所需。

5. 实际应用与变种问题

5.1 完全背包的典型应用场景

1. 零钱兑换问题：给定不同面额的硬币无限个，求凑成某个金额的最少硬币数。这是完全背包的变种，只需将max改为min，价值视为1（每个硬币计数为1）。

2. 单词拆分问题：给定一个字符串和词典，判断字符串是否可以由词典中的单词拼接而成。可以将字符串长度视为背包容量，单词视为物品。

5.2 常见变种问题

1. 恰好装满问题：要求背包必须恰好装满，初始化时除了dp[0]=0，其他dp[j]=-∞。

2. 组合计数问题：求达到某个价值的方案数，将状态转移中的max改为sum。

3. 多维限制问题：背包有多个维度的限制（如重量和体积），状态需要增加维度。

6. 实现中的常见错误与调试技巧

6.1 典型错误案例

1. 错误地使用01背包的遍历顺序：

python复制# 错误写法：逆向遍历会导致每个物品只能选一次
for j in range(W, weights[i] - 1, -1):
    dp[j] = max(dp[j], dp[j - weights[i]] + values[i])

2. 初始化不当：未正确处理边界条件，特别是恰好装满的情况。

3. 物品循环和容量循环顺序颠倒：这会导致完全不同的语义。

6.2 调试建议

1. 打印出dp表的中间状态，观察是否符合预期。

2. 先用小规模测试用例手动计算，验证程序输出。

3. 对于变种问题，先确保标准完全背包实现正确，再修改。

7. 算法优化与进阶技巧

7.1 二进制优化

虽然完全背包本身不需要二进制优化，但理解这个技巧有助于解决更复杂的问题。对于某些特殊约束的背包问题，可以将物品按二进制拆分，转化为01背包问题。

7.2 单调队列优化

对于特定情况，可以使用单调队列将时间复杂度进一步优化。这种优化利用了滑动窗口的最大值特性，适用于重量和价值有特殊关系的情况。

7.3 滚动数组技巧

在空间优化版本中，可以使用两个一维数组交替使用，而不是一个数组，这样有时更易于理解和调试。

8. 从完全背包到动态规划思维的培养

完全背包问题的学习不仅仅是掌握一个算法模板，更重要的是理解动态规划的核心思想：

1. 状态定义：如何将问题抽象为状态表示
2. 状态转移：如何从小规模问题的解构建更大规模问题的解
3. 边界处理：初始条件和终止条件的设定
4. 空间优化：如何降低空间复杂度而不丢失必要信息

在实际编程比赛中，我经常发现很多问题都可以转化为背包问题的变种。训练自己将新问题映射到已知模型的能力，是提高算法水平的关键。