动态规划经典：背包问题详解与优化技巧

1. 背包问题概述：从生活场景到算法模型

背包问题（Knapsack Problem）是计算机科学中最经典的优化问题之一，也是动态规划算法的典型应用场景。想象你即将开始一次长途旅行，行李箱的容量有限，而你有许多想带的物品，每件物品都有不同的体积和价值。如何选择物品组合，才能在不超过行李箱容量的前提下，带走最大总价值的物品？这就是背包问题的现实原型。

在算法竞赛和实际工程中，背包问题有以下主要变种：

• 01背包：每件物品最多选一次（拿或不拿）
• 完全背包：每种物品可以选无限次
• 多重背包：每种物品有数量限制
• 分组背包：物品分组，每组只能选一件
• 二维费用背包：物品消耗两种资源（如体积和重量）

理解这些变种的解法差异，是掌握动态规划思想的重要里程碑。本文将从最基础的01背包开始，逐步深入各类背包问题的解法精髓。

2. 01背包问题详解

2.1 问题定义与状态设计

给定N件物品和一个容量为V的背包，第i件物品的体积为w[i]，价值为v[i]。每件物品只能选择拿或不拿（不能分割），求在不超过背包容量的前提下能获得的最大价值。

动态规划的核心在于状态定义和状态转移。对于01背包，我们定义：

dp[i][j]：考虑前i件物品，背包容量为j时能获得的最大价值

这个二维状态的设计思路是：通过逐步考虑更多物品（i从1到N）和更大容量（j从0到V），最终dp[N][V]就是问题的解。

2.2 状态转移方程推导

对于第i件物品，我们有两种选择：

1. 不选：则最大价值等于前i-1件物品在容量j时的最大价值，即dp[i][j] = dp[i-1][j]
2. 选：需要保证当前容量j ≥ w[i]，此时最大价值为前i-1件物品在容量j-w[i]时的最大价值加上v[i]，即dp[i][j] = dp[i-1][j-w[i]] + v[i]

综合两种情况，状态转移方程为：

python复制dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i]] + v[i]) if j >= w[i]
           else dp[i-1][j]

2.3 基础实现代码

python复制N, V = map(int, input().split())
dp = [[0] * (V + 1) for _ in range(N + 1)]

for i in range(1, N + 1):
    w, v = map(int, input().split())
    for j in range(V + 1):
        if w > j:
            dp[i][j] = dp[i-1][j]
        else:
            dp[i][j] = max(dp[i-1][j], dp[i-1][j-w] + v)

print(dp[N]