多重背包问题解析：从动态规划到优化实践

1. 多重背包问题概述

多重背包问题是动态规划（DP）中的经典问题之一，它介于01背包和完全背包之间。在01背包中，每种物品只能选0次或1次；在完全背包中，每种物品可以选无限次；而多重背包则限制每种物品最多选s_i次。

这个问题在实际中有广泛应用，比如：

• 资源分配问题（有限的资金购买不同数量的多种商品）
• 投资组合优化（不同资产有购买上限）
• 物流装载（不同种类货物有数量限制）

2. 多重背包的朴素解法

2.1 基本状态定义

多重背包的DP状态定义与01背包类似：

• dp[i][j]：考虑前i种物品，背包容量为j时的最大价值
• 状态转移方程：
  dp[i][j] = max(dp[i-1][j-kv[i]] + kw[i])
  其中0 ≤ k ≤ s_i且k*v[i] ≤ j

2.2 代码实现示例

python复制def multiple_knapsack(N, V, v, w, s):
    dp = [[0]*(V+1) for _ in range(N+1)]
    for i in range(1, N+1):
        for j in range(V+1):
            k = 0
            while k <= s[i-1] and k*v[i-1] <= j:
                dp[i][j] = max(dp[i][j], dp[i-1][j-k*v[i-1]] + k*w[i-1])
                k += 1
    return dp[N][V]

这种解法的时间复杂度是O(NVS)，当S较大时效率很低。

3. 二进制优化方法

3.1 优化思路

二进制优化的核心思想是将多重背包转化为01背包。对于每种物品，我们不是把它看作s_i个相同的物品，而是通过二进制拆分将其组合成log(s_i)个"新物品"。

例如：某物品有13个，可以拆分为1,2,4,6（因为1+2+4+6=13），这样只需要4个新物品就能表示0-13的所有可能选择。

3.2 优化后的实现

python复制def binary_optimized(N, V, v, w, s):
    # 二进制拆分
    new_v = []
    new_w = []
    for i in range(N):
        k = 1
        while k <= s[i]:
            new_v.append(v[i] * k)
            new_w.append(w[i] * k)
            s[i] -= k
            k *= 2
        if s[i] > 0:
            new_v.append(v[i] * s[i])
            new_w.append(w[i] * s[i])
    
    # 01背包解法
    dp = [0]*(V+1)
    for i in range(len(new_v)):
        for j in range(V, new_v[i]-1, -1):
            dp[j] = max(dp[j], dp[j-new_v[i]] + new_w[i])
    return dp[V]

这种优化将时间复杂度降为O(NVlogS)，效率显著提升。

4. 单调队列优化

4.1 优化原理

单调队列优化可以进一步将复杂度降到O(N*V)。它利用了滑动窗口最大值的思想，对于每个余数类单独处理。

关键观察：对于容量j，它只能从j-v, j-2v,..., j-sv这些状态转移而来，这些状态对v的余数相同。

4.2 实现代码

python复制from collections import deque

def monotonic_queue(N, V, v, w, s):
    dp = [0]*(V+1)
    for i in range(N):
        for r in range(v[i]):
            q = deque()
            for j in range(r, V+1, v[i]):
                while q and j - q[0] > s[i]*v[i]:
                    q.popleft()
                while q and dp[j] >= dp[q[-1]] + (j - q[-1])//v[i] * w[i]:
                    q.pop()
                q.append(j)
                dp[j] = max(dp[j], dp[q[0]] + (j - q[0])//v[i] * w[i])
    return dp[V]

5. 牛客tracker上的常见问题

5.1 初始化陷阱

很多初学者会错误地初始化dp数组。正确的做法：

• 求最大价值：初始化为0
• 求恰好装满：dp[0]=0，其余初始化为-∞

5.2 空间优化技巧

可以像01背包一样优化到一维数组，但要注意：

• 二进制优化后直接使用01背包的一维写法
• 单调队列优化需要按余数类处理

5.3 常见变种

1. 求方案数：将max改为sum
2. 求具体方案：需要记录转移路径
3. 混合背包：部分物品是01背包，部分是完全背包，部分是多重的

6. 实战案例分析

6.1 题目描述

牛客网一道经典多重背包题：
有N种硬币，第i种面值为v_i，有c_i枚，求凑出金额M的方案数。

6.2 解法实现

python复制def coin_change(N, M, v, c):
    dp = [0]*(M+1)
    dp[0] = 1
    for i in range(N):
        for j in range(M, -1, -1):
            k = 1
            while k <= c[i] and j >= k*v[i]:
                dp[j] += dp[j - k*v[i]]
                k += 1
    return dp[M]

6.3 性能对比

测试数据：N=100, M=100000, v_i∈[1,100], c_i∈[1,1000]

• 朴素解法：超时
• 二进制优化：约200ms
• 单调队列优化：约50ms

7. 工程实践中的注意事项

1. 物品数量很大时（如1e5），优先考虑单调队列优化
2. 背包容量很大时（如1e9），可能需要考虑贪心或其他算法
3. 注意数据范围，防止整数溢出
4. Python中使用列表推导比普通循环更快
5. 在竞赛中，通常需要自己实现队列而不是用库中的deque

8. 与其他背包问题的关系

8.1 与01背包的关系

当所有s_i=1时，多重背包退化为01背包。此时二进制优化相当于不做任何处理。

8.2 与完全背包的关系

当所有s_i≥V/v_i时，多重背包变为完全背包。此时可以用完全背包的优化方法。

8.3 与分组背包的关系

分组背包是多决策的背包问题，与多重背包的优化思路有相通之处。

9. 进阶学习建议

1. 理解背包九讲中的数学证明
2. 尝试用不同的语言实现（C++注重效率，Python注重简洁）
3. 在LeetCode、牛客等平台刷相关题目
4. 学习如何将实际问题抽象为背包模型
5. 了解分支定界等更高级的优化方法