动态规划入门：背包问题从暴力到优化

1. 背包问题基础：从暴力搜索到动态规划

背包问题作为动态规划领域的经典案例，困扰过无数算法学习者。我第一次接触这个问题时，花了整整三天才真正理解其精髓。让我们从一个具体例子开始：假设背包容量为4kg，现有三件物品：吉他（1kg,1500元）、音响（4kg,3000元）、笔记本电脑（3kg,2000元），如何选择才能使背包价值最大化？

1.1 暴力枚举的局限性

最直观的解法是尝试所有组合：

• 只带吉他：1500元
• 只带音响：3000元
• 只带笔记本：2000元
• 吉他+笔记本：3500元（最优解）
• 其他组合超重

当物品数量为n时，时间复杂度高达O(2ⁿ)。对于n=100的情况，计算量将达到惊人的1.26×10³⁰次操作——即使全球最快的超级计算机也需要数百万年才能完成。

1.2 动态规划的突破思路

动态规划通过两个关键观察解决这个问题：

1. 最优子结构：当前最优解可以由子问题的最优解组合得到
2. 重叠子问题：不同决策路径会重复访问相同的子问题

我们定义dp[i][w]表示前i个物品在容量w时的最大价值。这个二维表格将成为我们解决问题的核心工具。

关键理解：dp表格的每个单元格都代表一个子问题的解，我们通过填充这个表格自底向上构建最终解。

2. 二维DP解法深度解析

2.1 状态转移方程推导

对于每个物品i和容量w，我们面临两种选择：

1. 不装入：价值保持为dp[i-1][w]
2. 装入：价值变为dp[i-1][w-wt[i]] + val[i]

因此状态转移方程为：

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

注意wt和val的索引是i-1，因为列表从0开始计数。

2.2 完整实现与示例

python复制def knapsack_2d(W, wt, val):
    n = len(wt)
    dp = [[0]*(W+1) for _ in range(n+1)]
    
    for i in range(1, n+1):