問題描述
有n個物品，它們有各自的體積和價值，現有給定容量的揹包，如何讓揹包裏裝入的物品具有最大的價值總和？
爲方便講解和理解，下面講述的例子均先用具體的數字代入，即：eg：number＝4，capacity＝8
| i（物品編號） | 1 | 2 | 3 | 4 |
| w（體積） | 2 | 3 | 4 | 5 |
| v（價值） | 3 | 4 | 5 | 6 |
總體思路
根據動態規劃解題步驟（問題抽象化、建立模型、尋找約束條件、判斷是否滿足最優性原理、找大問題與小問題的遞推關係式、填表、尋找解組成）找出01揹包問題的最優解以及解組成，然後編寫代碼實現。
動態規劃的原理
動態規劃與分治法類似，都是把大問題拆分成小問題，通過尋找大問題與小問題的遞推關係，解決一個個小問題，最終達到解決原問題的效果。但不同的是，分治法在子問題和子子問題等上被重複計算了很多次，而動態規劃則具有記憶性，通過填寫表把所有已經解決的子問題答案紀錄下來，在新問題裏需要用到的子問題可以直接提取，避免了重複計算，從而節約了時間，所以在問題滿足最優性原理之後，用動態規劃解決問題的核心就在於填表，表填寫完畢，最優解也就找到。
最優性原理是動態規劃的基礎，最優性原理是指“多階段決策過程的最優決策序列具有這樣的性質：不論初始狀態和初始決策如何，對於前面決策所造成的某一狀態而言，其後各階段的決策序列必須構成最優策略”。
揹包問題的解決過程
在解決問題之前，爲描述方便，首先定義一些變量：Vi表示第 i 個物品的價值，Wi表示第 i 個物品的體積，定義V(i,j)：當前揹包容量 j，前 i 個物品最佳組合對應的價值，同時揹包問題抽象化（X1，X2，…，Xn，其中 Xi 取0或1，表示第 i 個物品選或不選）。
1、建立模型，即求max(V1X1+V2X2+…+VnXn)；
2、尋找約束條件，W1X1+W2X2+…+WnXn<capacity；
3、尋找遞推關係式，面對當前商品有兩種可能性：
包的容量比該商品體積小，裝不下，此時的價值與前i-1個的價值是一樣的，即V(i,j)=V(i-1,j)；
還有足夠的容量可以裝該商品，但裝了也不一定達到當前最優價值，所以在裝與不裝之間選擇最優的一個，即V(i,j)=max｛V(i-1,j)，V(i-1,j-w(i))+v(i)｝。
其中V(i-1,j)表示不裝，V(i-1,j-w(i))+v(i) 表示裝了第i個商品，揹包容量減少w(i)，但價值增加了v(i)；
由此可以得出遞推關係式：
j<w(i) V(i,j)=V(i-1,j)
j>=w(i) V(i,j)=max｛V(i-1,j)，V(i-1,j-w(i))+v(i)｝
這裏需要解釋一下，爲什麼能裝的情況下，需要這樣求解（這纔是本問題的關鍵所在！）：
可以這麼理解，如果要到達V(i,j)這一個狀態有幾種方式？
肯定是兩種，第一種是第i件商品沒有裝進去，第二種是第i件商品裝進去了。沒有裝進去很好理解，就是V(i-1,j)；裝進去了怎麼理解呢？如果裝進去第i件商品，那麼裝入之前是什麼狀態，肯定是V(i-1,j-w(i))。由於最優性原理（上文講到），V(i-1,j-w(i))就是前面決策造成的一種狀態，後面的決策就要構成最優策略。兩種情況進行比較，得出最優。
4、填表，首先初始化邊界條件，V(0,j)=V(i,0)=0；
然後一行一行的填表：
如，i=1，j=1，w(1)=2，v(1)=3，有j<w(1)，故V(1,1)=V(1-1,1)=0；
又如i=1，j=2，w(1)=2，v(1)=3，有j=w(1),故V(1,2)=max｛ V(1-1,2)，V(1-1,2-w(1))+v(1) ｝=max｛0，0+3｝=3；
如此下去，填到最後一個，i=4，j=8，w(4)=5，v(4)=6，有j>w(4)，故V(4,8)=max｛ V(4-1,8)，V(4-1,8-w(4))+v(4) ｝=max｛9，4+6｝=10……
所以填完表如下圖：
5、表格填完，最優解即是V(number,capacity)=V(4,8)=10。
代碼實現
爲了和之前的動態規劃圖可以進行對比，儘管只有4個商品，但是我們創建的數組元素由5個。
#include<iostream>
using namespace std;
#include <algorithm>
int main()
{
int w[5] = { 0 , 2 , 3 , 4 , 5 }; //商品的體積2、3、4、5
int v[5] = { 0 , 3 , 4 , 5 , 6 }; //商品的價值3、4、5、6
int bagV = 8; //揹包大小
int dp[5][9] = { { 0 } }; //動態規劃表
for (int i = 1; i <= 4; i++) {
for (int j = 1; j <= bagV; j++) {
if (j < w[i])
dp[i][j] = dp[i - 1][j];
else
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i]);
}
}
//動態規劃表的輸出
for (int i = 0; i < 5; i++) {
for (int j = 0; j < 9; j++) {
cout << dp[i][j] << ' ';
}
cout << endl;
}
return 0;
}
揹包問題最優解回溯
通過上面的方法可以求出揹包問題的最優解，但還不知道這個最優解由哪些商品組成，故要根據最優解回溯找出解的組成，根據填表的原理可以有如下的尋解方式：
V(i,j)=V(i-1,j)時，說明沒有選擇第i 個商品，則回到V(i-1,j)；
V(i,j)=V(i-1,j-w(i))+v(i)時，說明裝了第i個商品，該商品是最優解組成的一部分，隨後我們得回到裝該商品之前，即回到V(i-1,j-w(i))；
一直遍歷到i＝0結束爲止，所有解的組成都會找到。
就拿上面的例子來說吧：
最優解爲V(4,8)=10，而V(4,8)!=V(3,8)卻有V(4,8)=V(3,8-w(4))+v(4)=V(3,3)+6=4+6=10，所以第4件商品被選中，並且回到V(3,8-w(4))=V(3,3)；
有V(3,3)=V(2,3)=4，所以第3件商品沒被選擇，回到V(2,3)；
而V(2,3)!=V(1,3)卻有V(2,3)=V(1,3-w(2))+v(2)=V(1,0)+4=0+4=4，所以第2件商品被選中，並且回到V(1,3-w(2))=V(1,0)；
有V(1,0)=V(0,0)=0，所以第1件商品沒被選擇。
代碼實現
揹包問題最終版詳細代碼實現如下：
#include<iostream>
using namespace std;
#include <algorithm>
int w[5] = { 0 , 2 , 3 , 4 , 5 }; //商品的體積2、3、4、5
int v[5] = { 0 , 3 , 4 , 5 , 6 }; //商品的價值3、4、5、6
int bagV = 8; //揹包大小
int dp[5][9] = { { 0 } }; //動態規劃表
int item[5]; //最優解情況
void findMax() { //動態規劃
for (int i = 1; i <= 4; i++) {
for (int j = 1; j <= bagV; j++) {
if (j < w[i])
dp[i][j] = dp[i - 1][j];
else
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i]);
}
}
}
void findWhat(int i, int j) { //最優解情況
if (i >= 0) {
if (dp[i][j] == dp[i - 1][j]) {
item[i] = 0;
findWhat(i - 1, j);
}
else if (j - w[i] >= 0 && dp[i][j] == dp[i - 1][j - w[i]] + v[i]) {
item[i] = 1;
findWhat(i - 1, j - w[i]);
}
}
}
void print() {
for (int i = 0; i < 5; i++) { //動態規劃表輸出
for (int j = 0; j < 9; j++) {
cout << dp[i][j] << ' ';
}
cout << endl;
}
cout << endl;
for (int i = 0; i < 5; i++) { //最優解輸出
cout << item[i] << ' ';
}
cout << endl;
}
int main()
{
findMax();
findWhat(4, 8);
print();
return 0;
}
