动态规划算法01背包问题PPT

动态规划——01背包问题⼀、最基础的动态规划之⼀01背包问题是动态规划中最基础的问题之⼀，它的解法完美地体现了动态规划的思想和性质。

01背包问题最常见的问题形式是：给定n件物品的体积和价值，将他们尽可能地放⼊⼀个体积固定的背包，最⼤的价值可以是多少。

我们可以⽤费⽤c和价值v来描述⼀件物品，再设允许的最⼤花费为w。

只要n稍⼤，我们就不可能通过搜索来遍查所有组合的可能。

运⽤动态规划的思想，我们把原来的问题拆分为⼦问题，⼦问题再进⼀步拆分直⾄不可再分（初始值），随后从初始值开始，尽可能地求取每⼀个⼦问题的最优解，最终就能求得原问题的解。

由于不同的问题可能有相同的⼦问题，⼦问题存在⼤量重叠，我们需要额外的空间来存储已经求得的⼦问题的最优解。

这样，可以⼤幅度地降低时间复杂度。

有了这样的思想，我们来看01背包问题可以怎样拆分成⼦问题：要求解的问题是：在n件物品中最⼤花费为w能得到的最⼤价值。

显然，对于0 <= i <= n,0 <= j <= w，在前i件物品中最⼤花费为j能得到的最⼤价值。

可以使⽤数组dp[n + 1][w + 1]来存储所有的⼦问题，dp[i][j]就代表从前i件物品中选出总花费不超过j时的最⼤价值。

可知dp[0][j]值⼀定为零。

那么，该怎么递推求取所有⼦问题的解呢。

显⽽易见，要考虑在前i件物品中拿取，⾸先要考虑前i - 1件物品中拿取的最优情况。

当我们从第i - 1件物品递推到第i件时，我们就要考虑这件物品是拿，还是不拿，怎样收益最⼤。

①：⾸先，如果j < c[i]，那第i件物品是⽆论如何拿不了的，dp[i][j] = dp[i - 1][j];②：如果可以拿，那就要考虑拿了之后收益是否更⼤。

拿这件物品需要花费c[i]，除去这c[i]的⼦问题应该是dp[i - 1][j - c[i]]，这时，就要⽐较dp[i - 1][j]和dp[i - 1][j - c[i]] + v[i]，得出最优⽅案。

01背包问题，是用来介绍动态规划算法最经典的例子，网上关于01背包问题的讲解也很多，我写这篇文章力争做到用最简单的方式，最少的公式把01背包问题讲解透彻。

01背包的状态转换方程f[i,j] = Max{ f[i-1,j-Wi]+Pi( j >= Wi ), f[i-1,j] }只要你能通过找规律手工填写出上面这张表就算理解了01背包的动态规划算法。

首先要明确这张表是至底向上，从左到右生成的。

为了叙述方便，用e2单元格表示e行2列的单元格，这个单元格的意义是用来表示只有物品e时，有个承重为2的背包，那么这个背包的最大价值是0，因为e物品的重量是4，背包装不了。

对于d2单元格，表示只有物品e，d时,承重为2的背包,所能装入的最大价值，仍然是0，因为物品e,d都不是这个背包能装的。

同理，c2=0，b2=3,a2=6。

对于承重为8的背包，a8=15,是怎么得出的呢？根据01背包的状态转换方程，需要考察两个值，一个是f[i-1,j],对于这个例子来说就是b8的值9，另一个是f[i-1,j-Wi]+Pi；在这里，f[i-1,j]表示我有一个承重为8的背包，当只有物品b,c,d,e四件可选时，这个背包能装入的最大价值f[i-1,j-Wi]表示我有一个承重为6的背包（等于当前背包承重减去物品a的重量），当只有物品b,c,d,e四件可选时，这个背包能装入的最大价值f[i-1,j-Wi]就是指单元格b6,值为9，Pi指的是a物品的价值，即6由于f[i-1,j-Wi]+Pi = 9 + 6 = 15 大于f[i-1,j] = 9，所以物品a应该放入承重为8的背包以下是actionscript3 的代码public function get01PackageAnswer(bagItems:Array,bagSize:int):Array{var bagMatrix:Array=[];var i:int;var item:PackageItem;for(i=0;i<bagItems.length;i++){bagMatrix[i] = [0];}for(i=1;i<=bagSize;i++){for(varj:int=0;j<bagItems.length;j++){item = bagItems[j] as PackageItem;if(item.weight > i){//i背包转不下itemif(j==0){bagMatrix[j][i] = 0;}else{bagMatrix[j][i]=bagMatrix[j-1][i];}}else{//将item装入背包后的价值总和var itemInBag:int;if(j==0){bagMatrix[j][i] = item.value;continue;}else{itemInBag = bagMatrix[j-1][i-item.weight]+item.value;}bagMatrix[j][i] = (bagMatrix[j-1][i] > itemInBag ? bagMatrix[j-1][i] : itemInBag)}}}//find answervar answers:Array=[];var curSize:int = bagSize;for(i=bagItems.length-1;i>=0;i--){item = bagItems[i] as PackageItem;if(curSize==0){break;}if(i==0 && curSize > 0){answers.push();break;}if(bagMatrix[i][curSize]-bagMatrix[i-1][curSize-item.weight ]==item.value){answers.push();curSize -= item.weight;}}return answers;}PackageItem类public class PackageItem{public var name:String;public var weight:int;public var value:int;public function PackageItem(name:String,weight:int,value:int){ = name;this.weight = weight;this.value = value;}}测试代码varnameArr:Array=['a','b','c','d','e'];var weightArr:Array=[2,2,6,5,4];var valueArr:Array=[6,3,5,4,6];var bagItems:Array=[];for(vari:int=0;i<nameArr.length;i++){var bagItem:PackageItem = new PackageItem(nameArr[i],weightArr[i],valueArr[i]);bagItems[i]=bagItem;}var arr:Array = ac.get01PackageAnswer(bagItems,10);。

背包问题九讲2.0RC1崔添翼(Tianyi Cui)*2011-09-28†本文题为《背包问题九讲》，从属于《动态规划的思考艺术》系列。

这系列文章的第一版于2007年下半年使用EmacsMuse制作，以HTML格式发布到网上，转载众多，有一定影响力。

2011年9月，本系列文章由原作者用L A T E X重新制作并全面修订，您现在看到的是2.0alpha版本，修订历史及最新版本请访问https:///tianyicui/pack查阅。

本文版权归原作者所有，采用CC BY-NC-SA协议发布。

Contents101背包问题31.1题目 (3)1.2基本思路 (3)1.3优化空间复杂度 (3)1.4初始化的细节问题 (4)1.5一个常数优化 (4)1.6小结 (5)2完全背包问题52.1题目 (5)2.2基本思路 (5)2.3一个简单有效的优化 (5)2.4转化为01背包问题求解 (6)2.5O(V N)的算法 (6)2.6小结 (7)3多重背包问题73.1题目 (7)3.2基本算法 (7)3.3转化为01背包问题 (7)3.4可行性问题O(V N)的算法 (8)*a.k.a.dd_engi†Build2011092818380013.5小结 (9)4混合三种背包问题94.1问题 (9)4.201背包与完全背包的混合 (9)4.3再加上多重背包 (9)4.4小结 (10)5二维费用的背包问题105.1问题 (10)5.2算法 (10)5.3物品总个数的限制 (10)5.4二维整数域N2上的背包问题 (11)5.5小结 (11)6分组的背包问题116.1问题 (11)6.2算法 (11)6.3小结 (12)7有依赖的背包问题127.1简化的问题 (12)7.2算法 (12)7.3较一般的问题 (12)7.4小结 (13)8泛化物品138.1定义 (13)8.2泛化物品的和 (13)8.3背包问题的泛化物品 (14)8.4小结 (14)9背包问题问法的变化149.1输出方案 (15)9.2输出字典序最小的最优方案 (15)9.3求方案总数 (15)9.4最优方案的总数 (16)9.5求次优解、第K优解 (16)9.6小结 (17)2101背包问题1.1题目有N件物品和一个容量为V的背包。

动态规划算法--01背包问题基本思想：动态规划算法通常⽤于求解具有某种最优性质的问题。

在这类问题中，可能会有许多可⾏解。

每⼀个解都对应于⼀个值，我们希望找到具有最优值的解。

动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若⼲个⼦问题，先求解⼦问题，然后从这些⼦问题的解得到原问题的解。

与分治法不同的是，适合于⽤动态规划求解的问题，经分解得到⼦问题往往不是互相独⽴的（即下⼀个⼦阶段的求解是建⽴在上⼀个⼦阶段的解的基础上，进⾏进⼀步的求解）。

若⽤分治法来解这类问题，则分解得到的⼦问题数⽬太多，有些⼦问题被重复计算了很多次。

如果我们能够保存已解决的⼦问题的答案，⽽在需要时再找出已求得的答案，这样就可以避免⼤量的重复计算，节省时间。

我们可以⽤⼀个表来记录所有已解的⼦问题的答案。

不管该⼦问题以后是否被⽤到，只要它被计算过，就将其结果填⼊表中。

这就是动态规划法的基本思路。

具体的动态规划算法多种多样，但它们具有相同的填表格式。

应⽤场景：适⽤动态规划的问题必须满⾜最优化原理、⽆后效性和重叠性。

1、最优化原理（最优⼦结构性质）最优化原理可这样阐述：⼀个最优化策略具有这样的性质，不论过去状态和决策如何，对前⾯的决策所形成的状态⽽⾔，余下的诸决策必须构成最优策略。

简⽽⾔之，⼀个最优化策略的⼦策略总是最优的。

⼀个问题满⾜最优化原理⼜称其具有最优⼦结构性质。

2、⽆后效性将各阶段按照⼀定的次序排列好之后，对于某个给定的阶段状态，它以前各阶段的状态⽆法直接影响它未来的决策，⽽只能通过当前的这个状态。

换句话说，每个状态都是过去历史的⼀个完整总结。

这就是⽆后向性，⼜称为⽆后效性。

3、⼦问题的重叠性动态规划将原来具有指数级时间复杂度的搜索算法改进成了具有多项式时间复杂度的算法。

其中的关键在于解决冗余，这是动态规划算法的根本⽬的。

动态规划实质上是⼀种以空间换时间的技术，它在实现的过程中，不得不存储产⽣过程中的各种状态，所以它的空间复杂度要⼤于其它的算法。

动态规划求解01背包问题问题给定n种物品和⼀个背包，物品(1<=i<=n)重量是w I ，其价值v i,背包容量为C,对每种物品只有两种选择：装⼊背包和不装⼊背包，即物品是不可能部分装⼊，部分不装⼊。

如何选择装⼊背包的物品，使其价值最⼤？想法该问题是最优化问题，求解此问题⼀般采⽤动态规划（dynamic plan），很容易证明该问题满⾜最优性原理。

动态规划的求解过程分三部分：⼀：划分⼦问题：将原问题划分为若⼲个⼦问题，每个⼦问题对应⼀个决策阶段，并且⼦问题之间具有重叠关系⼆：确定动态规划函数：根据⼦问题之间的重叠关系找到⼦问题满⾜递推关系式（即动态规划函数），这是动态规划的关键三：填写表格：设计表格，以⾃底向上的⽅式计算各个⼦问题的解并填表，实现动态规划过程。

思路：如何定义⼦问题？0/1背包可以看做是决策⼀个序列（x1,x2,x3,…,xn）,对任何⼀个变量xi的决策时xi=1还是xi=0. 设V(n,C)是将n个物品装⼊容量为C的背包时背包所获得的的最⼤价值，显然初始⼦问题是将前i个物品装如容量为0的背包中和把0个物品装⼊容量为j的背包中，这些情况背包价值为0即V(i,0)=V(0,j)=0 0<=i<=n, 0<=j<=C接下来考虑原问题的⼀部分，设V(I,j)表⽰将前i个物品装⼊容量为j的背包获得的最⼤价值，在决策xi时，已经确定了(x1,x2,…,xi-1)，则问题处于下列两种情况之⼀：1. 背包容量不⾜以装⼊物品i，则装⼊前i-1个物品的最⼤价值和装⼊前i个物品最⼤价值相同，即xi=0，背包价值没有增加2. 背包容量⾜以装⼊物品i，如果把物品i装⼊背包，则背包物品价值等于把前i-1个物品装⼊容量为j-wi的背包中的价值加上第i个物品的价值vi；如果第i个物品没有装⼊背包，则背包价值等于把前i-1个物品装⼊容量为j的背包中所取得的价值，显然，取⼆者最⼤价值作为把物品i装⼊容量为j的背包中的最优解，得到如下递推公式为了确定装⼊背包中的具体物品，从V(n,C)的值向前推，如果V（n，C）>V(n-1,C),则表明第n个物品被装⼊背包中，前n-1个物品被装⼊容量为C-wn的背包中；否则，第n个物品没有被装⼊背包中，前n-1个物品被装⼊容量为C的背包中，依次类推，直到确认第⼀个物品是否被装⼊背包中代码C++实现1. // dp_01Knapsack.cpp : 定义控制台应⽤程序的⼊⼝点。

动态规划中的0-1背包模型 看完题后能否形成⼀个清晰思路的关键就在于能否根据题意的描述构建出⼀个恰当的模型，适合这道题⽬本⾝同时⼜能联系⾃⼰之前头脑库中的模型。

⽽对于01背包这类模型来说，形成的关键思维就在想最后⼀个n，即⽤⼀种抽象的语⾔把最终的结果给描述出来。

01背包的例⼦就不举了，这⾥先给出⼀个简单的01背包变形的例⼦： 按照之前的逻辑，我们⽤抽象的语⾔描述这道题的结果就是：给定⼀个长度为n的数列，问从这n个数中获取某些的数的和，使这个和最⼤同时⼜不超过某个值k，问能取⼏个或者这个和是多少。

话说到这⾥，就很容易和0-1背包⼀⼀对应起来了，这个k就是0-1中的最⼤背包容量，某些数的最⼤和就是0-1背包中所有物品的最⼤价值。

不过0-1背包中的value和weight两个量在这道题⽬中缩成了num这⼀个变量。

下⾯给出两个例题，都是这样的思路。

饭卡Time Limit: 5000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others)Total Submission(s): 18818 Accepted Submission(s): 6584Problem Description电⼦科⼤本部⾷堂的饭卡有⼀种很诡异的设计，即在购买之前判断余额。

如果购买⼀个商品之前，卡上的剩余⾦额⼤于或等于5元，就⼀定可以购买成功（即使购买后卡上余额为负），否则⽆法购买（即使⾦额⾜够）。

所以⼤家都希望尽量使卡上的余额最少。

某天，⾷堂中有n种菜出售，每种菜可购买⼀次。

已知每种菜的价格以及卡上的余额，问最少可使卡上的余额为多少。

Input多组数据。

对于每组数据：第⼀⾏为正整数n，表⽰菜的数量。

n<=1000。

第⼆⾏包括n个正整数，表⽰每种菜的价格。

价格不超过50。

第三⾏包括⼀个正整数m，表⽰卡上的余额。

m<=1000。

n=0表⽰数据结束。

背包问题报告小组成员：张灿、吴雪涛、高坤、占强、习慧平小组分工情况小组成员查找资料制作ppt 编写程序讲解ppt 制作报告张灿ⅴⅴⅴⅴⅴ吴雪涛ⅴ高坤ⅴⅴ占强ⅴ习慧平ⅴ背包问题一、背包问题的历史由来它是在1978年由Merkel和Hellman提出的。

它的主要思路是假定某人拥有大量物品，重量各不同。

此人通过秘密地选择一部分物品并将它们放到背包中来加密消息。

背包中的物品中重量是公开的，所有可能的物品也是公开的，但背包中的物品是保密的。

附加一定的限制条件，给出重量，而要列出可能的物品，在计算上是不可实现的。

背包问题是熟知的不可计算问题，背包体制以其加密，解密速度快而其人注目。

在解决大量的复杂组合优化问题时，它常常作为一个子问题出现，从实际的观点看，许多问题可以用背包问题来描述，如装箱问题，货仓装载，预算控制，存储分配，项目选择决策等，都是典型的应用例子。

随着网络技术的不断发展，背包公钥密码在电子商务中的公钥设计中也起着重要的作用。

然而当问题的规模较大时，得到最优解是极其困难的。

但是，大多数一次背包体制均被破译了，因此现在很少有人使用它。

二、背包问题的描述背包问题(Knapsack problem)是一种组合优化的NP完全问题。

问题可以描述为：给定一组物品，每种物品都有自己的重量和价格，在限定的总重量内，我们如何选择，才能使得物品的总价格最高。

问题的名称来源于如何选择最合适的物品放置于给定背包中。

相似问题经常出现在商业、组合数学，计算复杂性理论、密码学和应用数学等领域中。

也可以将背包问题描述为决定性问题，即在总重量不超过W的前提下，总价值是否能达到V？三、背包问题的定义我们有n种物品，物品j的重量为w j，价格为p j。

我们假定所有物品的重量和价格都是非负的。

背包所能承受的最大重量为W。

如果限定每种物品只能选择0个或1个，则问题称为0-1背包问题。

可以用公式表示为：maximizesubject to如果限定物品j最多只能选择b j个，则问题称为有界背包问题。

背包之01背包、完全背包、多重背包详解首先说下动态规划，动态规划这东西就和递归一样，只能找局部关系，若想全部列出来，是很难的，比如汉诺塔。

你可以说先把除最后一层的其他所有层都移动到2，再把最后一层移动到3，最后再把其余的从2移动到3，这是一个直观的关系，但是想列举出来是很难的，也许当层数n=3时还可以模拟下，再大一些就不可能了，所以，诸如递归，动态规划之类的，不能细想，只能找局部关系。

1.汉诺塔图片（引至杭电课件:DP最关键的就是状态，在DP时用到的数组时，也就是存储的每个状态的最优值，也就是记忆化搜索）要了解背包，首先得清楚动态规划：动态规划算法可分解成从先到后的4个步骤：1. 描述一个最优解的结构；2. 递归地定义最优解的值；3. 以“自底向上”的方式计算最优解的值；4. 从已计算的信息中构建出最优解的路径。

其中步骤1~3是动态规划求解问题的基础。

如果题目只要求最优解的值，则步骤4可以省略。

背包的基本模型就是给你一个容量为V的背包在一定的限制条件下放进最多(最少?)价值的东西当前状态以前状态看了dd大牛的《背包九讲》，迷糊中带着一丝清醒，这里我也总结下01背包，完全背包，多重背包这三者的使用和区别，部分会引用dd大牛的《背包九讲》，如果有错，欢迎指出。

(留言即可)首先我们把三种情况放在一起来看：01背包（ZeroOnePack）: 有N件物品和一个容量为V的背包。

（每种物品均只有一件）第i件物品的费用是c[i]，价值是w[i]。

求解将哪些物品装入背包可使价值总和最大。

完全背包(CompletePack): 有N种物品和一个容量为V的背包，每种物品都有无限件可用。

第i种物品的费用是c[i]，价值是w[i]。

求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

多重背包(MultiplePack): 有N种物品和一个容量为V的背包。

第i种物品最多有n[i]件可用，每件费用是c[i]，价值是w[i]。

背包问题九讲目录第一讲 01背包问题第二讲完全背包问题第三讲多重背包问题第四讲混合三种背包问题第五讲二维费用的背包问题第六讲分组的背包问题第七讲有依赖的背包问题第八讲泛化物品第九讲背包问题问法的变化附：USACO中的背包问题前言本篇文章是我(dd_engi)正在进行中的一个雄心勃勃的写作计划的一部分，这个计划的内容是写作一份较为完善的NOIP难度的动态规划总结，名为《解动态规划题的基本思考方式》。

现在你看到的是这个写作计划最先发布的一部分。

背包问题是一个经典的动态规划模型。

它既简单形象容易理解，又在某种程度上能够揭示动态规划的本质，故不少教材都把它作为动态规划部分的第一道例题，我也将它放在我的写作计划的第一部分。

读本文最重要的是思考。

因为我的语言和写作方式向来不以易于理解为长，思路也偶有跳跃的地方，后面更有需要大量思考才能理解的比较抽象的内容。

更重要的是：不大量思考，绝对不可能学好动态规划这一信息学奥赛中最精致的部分。

你现在看到的是本文的1.0正式版。

我会长期维护这份文本，把大家的意见和建议融入其中，也会不断加入我在OI学习以及将来可能的ACM-ICPC的征程中得到的新的心得。

但目前本文还没有一个固定的发布页面，想了解本文是否有更新版本发布，可以在OIBH论坛中以“背包问题九讲”为关键字搜索贴子，每次比较重大的版本更新都会在这里发贴公布。

目录第一讲 01背包问题这是最基本的背包问题，每个物品最多只能放一次。

第二讲完全背包问题第二个基本的背包问题模型，每种物品可以放无限多次。

第三讲多重背包问题每种物品有一个固定的次数上限。

第四讲混合三种背包问题将前面三种简单的问题叠加成较复杂的问题。

第五讲二维费用的背包问题一个简单的常见扩展。

第六讲分组的背包问题一种题目类型，也是一个有用的模型。

后两节的基础。

第七讲有依赖的背包问题另一种给物品的选取加上限制的方法。

第八讲泛化物品我自己关于背包问题的思考成果，有一点抽象。

背包之01背包、完全背包、多重背包详解首先说下动态规划，动态规划这东西就和递归一样，只能找局部关系，若想全部列出来，是很难的，比如汉诺塔。

你可以说先把除最后一层的其他所有层都移动到2，再把最后一层移动到3，最后再把其余的从2移动到3，这是一个直观的关系，但是想列举出来是很难的，也许当层数n=3时还可以模拟下，再大一些就不可能了，所以，诸如递归，动态规划之类的，不能细想，只能找局部关系。

1.汉诺塔图片（引至杭电课件:DP最关键的就是状态，在DP时用到的数组时，也就是存储的每个状态的最优值，也就是记忆化搜索）要了解背包，首先得清楚动态规划：动态规划算法可分解成从先到后的4个步骤：1. 描述一个最优解的结构；2. 递归地定义最优解的值；3. 以“自底向上”的方式计算最优解的值；4. 从已计算的信息中构建出最优解的路径。

其中步骤1~3是动态规划求解问题的基础。

如果题目只要求最优解的值，则步骤4可以省略。

背包的基本模型就是给你一个容量为V的背包在一定的限制条件下放进最多(最少?)价值的东西当前状态以前状态看了dd大牛的《背包九讲》01背包，完全背包，多重背包这三者的使用和区别，部分会引用dd大牛的《背包九讲》，如果有错，欢迎指出。

(留言即可)首先我们把三种情况放在一起来看：01背包（ZeroOnePack）: 有N件物品和一个容量为V的背包。

（每种物品均只有一件）第i件物品的费用是c[i]，价值是w[i]。

求解将哪些物品装入背包可使价值总和最大。

完全背包(CompletePack): 有N种物品和一个容量为V的背包，每种物品都有无限件可用。

第i种物品的费用是c[i]，价值是w[i]。

求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

多重背包(MultiplePack): 有N种物品和一个容量为V的背包。

第i种物品最多有n[i]件可用，每件费用是c[i]，价值是w[i]。

求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

01背包问题一、问题描述一个正在抢劫商店的小偷发现了n个商品，第i个商品价值V i美元，重Wi磅，V i和Wi都是整数；这个小偷希望拿走价值尽量高的商品，但他的背包最多能容纳W磅的商品，W是一个整数。

我们称这个问题是01背包问题，因为对每个商品，小偷要么把它完整拿走，要么把它留下；他不能只拿走一个商品的一部分，或者把一个商品拿走多次。

二、解决方案背包问题作为NP完全问题，暂时不存在多项式时间算法1.动态规划2.回溯法3.分支界限法三、方案详解3.1动态规划动态规划（Dynamic programming，DP）是一种在数学、计算机科学和经济学中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。

动态规划常常适用于有重叠子问题和最优子结构性质的问题。

概述：动态规划在查找有很多重叠子问题的情况的最优解时有效。

它将问题重新组合成子问题。

为了避免多次解决这些子问题，它们的结果都逐渐被计算并被保存，从简单的问题直到整个问题都被解决。

因此，动态规划保存递归时的结果，因而不会在解决同样的问题时花费时间。

动态规划只能应用于有最优子结构的问题。

最优子结构的意思是局部最优解能决定全局最优解(对有些问题这个要求并不能完全满足，故有时需要引入一定的近似)。

简单地说，问题能够分解成子问题来解决。

特征：1、问题存在最优子结构2、问题的最优解需要在子问题中作出选择3、通过查表解决重叠子问题，避免重复计算动态规划的设计：1.刻画一个最优解的结构特征；2.递归地定义最优解的值；3.计算最优解的值，通常采用自底向上的方法；4.利用计算的信息构造一个最优解。

问题分析最优子结构：(1)问题分析：令f(i,j)表示在前i(0≤i<n)个物品中能够装入容量为j(0≤j≤W)的背包中的物品的最大价值，则可以得到如下的动态规划函数:(2)f[i,j]=0(i=0 OR j=0)f[i,j]=f[i-1,j] j<w i ①f[i,j]=max{f[i-1,j] ,f[i-1,j-wi] +vi } j>wi ②①式表明：如果第i个物品的重量大于背包的容量，则装人前i个物品得到的最大价值和装入前i-1个物品得到的最大价是相同的，即物品i不能装入背包；②式表明:如果第i个物品的重量小于背包的容量，则会有一下两种情况：(a)如果把第i个物品装入背包，则背包物品的价值等于第i-1个物品装入容量位j-wi的背包中的价值加上第i个物品的价值vi;(b)如果第i个物品没有装入背包，则背包中物品价值就等于把前i-1个物品装入容量为j的背包中所取得的价值。