下载文档原格式
0-1背包动态规划解决问题一、问题描述：有n个物品，它们有各自的重量和价值，现有给定容量的背包，如何让背包里装入的物品具有最大的价值总和？二、总体思路：根据动态规划解题步骤（问题抽象化、建立模型、寻找约束条件、判断是否满足最优性原理、找大问题与小问题的递推关系式、填表、寻找解组成）找出01背包问题的最优解以及解组成，然后编写代码实现。
原理：动态规划与分治法类似，都是把大问题拆分成小问题，通过寻找大问题与小问题的递推关系，解决一个个小问题，最终达到解决原问题的效果。
但不同的是，分治法在子问题和子子问题等上被重复计算了很多次，而动态规划则具有记忆性，通过填写表把所有已经解决的子问题答案纪录下来，在新问题里需要用到的子问题可以直接提取，避免了重复计算，从而节约了时间，所以在问题满足最优性原理之后，用动态规划解决问题的核心就在于填表，表填写完毕，最优解也就找到。
过程：a) 把背包问题抽象化（X1，X2，…，Xn，其中 Xi 取0或1，表示第i 个物品选或不选），V i表示第i 个物品的价值，W i表示第i 个物品的体积（重量）；b) 建立模型，即求max(V1X1+V2X2+…+VnXn)；c) 约束条件，W1X1+W2X2+…+WnXn<capacity；d) 定义V(i,j)：当前背包容量j，前i 个物品最佳组合对应的价值；e) 最优性原理是动态规划的基础，最优性原理是指“多阶段决策过程的最优决策序列具有这样的性质：不论初始状态和初始决策如何，对于前面决策所造成的某一状态而言，其后各阶段的决策序列必须构成最优策略”。
判断该问题是否满足最优性原理，采用反证法证明：假设(X1，X2，…，Xn)是01背包问题的最优解，则有(X2，X3，…，Xn)是其子问题的最优解，假设(Y2，Y3，…，Yn)是上述问题的子问题最优解，则理应有(V2Y2+V3Y3+…+V n Yn)+V1X1 > (V2X2+V3X3+…+VnXn)+V1X1；而(V2X2+V3X3+…+VnXn)+V1X1=(V1X1+V2X2+…+VnXn)，则有(V2Y2+V3Y3+…+VnYn)+V1X1 > (V1X1+V2X2+…+VnXn)；该式子说明(X1，Y2，Y3，…，Yn)才是该01背包问题的最优解，这与最开始的假设(X1，X2，…，Xn)是01背包问题的最优解相矛盾，故01背包问题满足最优性原理；f) 寻找递推关系式，面对当前商品有两种可能性：第一，包的容量比该商品体积小，装不下，此时的价值与前i-1个的价值是一样的，即V(i,j)=V(i-1,j)；第二，还有足够的容量可以装该商品，但装了也不一定达到当前最优价值，所以在装与不装之间选择最优的一个，即V(i,j)=max｛V(i-1,j)，V(i-1,j-w(i))+v(i) ｝其中V(i-1,j)表示不装，V(i-1,j-w(i))+v(i) 表示装了第i个商品，背包容量减少w(i)但价值增加了v(i)；由此可以得出递推关系式：1) j<w(i) V(i,j)=V(i-1,j)2) j>=w(i) V(i,j)=max｛ V(i-1,j)，V(i-1,j-w(i))+v(i) ｝number＝4，capacity＝7四、构造最优解：最优解的构造可根据C列的数据来构造最优解，构造时从第一个物品开始。
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] }f[i,j]表示在前i件物品中选择若干件放在承重为j 的背包中，可以取得的最大价值。
Pi表示第i件物品的价值。
决策：为了背包中物品总价值最大化，第i件物品应该放入背包中吗？题目描述：有编号分别为a,b,c,d,e的五件物品，它们的重量分别是2,2,6,5,4，它们的价值分别是6,3,5,4,6，现在给你个承重为10的背包，如何让背包里装入的物品具有最首先要明确这张表是从右到左,至底向上生成的。
为了叙述方便，用e10单元格表示e行10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10的背包，那么这个背包的最大价值是6，因为e物品的重量是4，背包装的了，把e装进去后价值为6。
然后是e9单元格表示背包承重9，只有物品e, e装进去后，背包价值为6，接着是e8, e7单元格，一直到e3单元格表示背包承重3，但物品e承重4，装不了，所以e3=0,对于d10单元格，表示只有物品e，d时,承重为10的背包,所能装入的最大价值，是10，因为物品e,d这个背包都能装进去。
对于承重为9的背包，d9=10,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e9的值6，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9的背包，当只有物品e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4的背包（等于当前背包承重减去物品d的重量），当只有物品e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e4值为6，Pi指的是d物品的价值，即4由于f[i-1,j-Wi]+Pi = 6 + 4 = 10 大于f[i-1,j] = 6，所以物品d应该放入承重为9的背包，所以d9=10.。
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。
例谈四种常见的动态规划模型动态规划是解决多阶段决策最优化问题的一种思想方法，本文主要结合一些例题，把一些常见的动态规划模型，进行归纳总结。
（一）、背包模型可用动态规划解决的背包问题，主要有01背包和完全背包。
对于背包的类型，这边就做个简单的描述：n个物品要放到一个背包里，背包有个总容量m，每个物品都有一个体积w[i]和价值v[i]，问如何装这些物品,使得背包里放的物品价值最大。
这类型的题目，状态表示为：f[j]表示背包容量不超过j时能够装的最大价值，则状态转移方程为：f[j]:=max{f[j-w[i]]+v[i]},边界：f[0]:=0;简单的程序框架为：beginreadln(m,n);for i:=1to n do readln(w[i],v[i]);f[0]:=0;for i:=1to m dofor j:=1to n dobeginif i>=w[j]then t:=f[i-w[j]]+v[j];if t>f[i]then f[i]:=t;end;writeln(f[m]);end.这类型的题目应用挺广的（noip1996提高组第4题，noip2001普及组装箱问题，noip2005普及组采药等），下面一个例子，也是背包模型的简单转化。
货币系统(money)【问题描述】母牛们不但创建了他们自己的政府而且选择了建立了自己的货币系统。
他们对货币的数值感到好奇。
传统地，一个货币系统是由1，5，10，20或25，50，100的单位面值组成的。
母牛想知道用货币系统中的货币来构造一个确定的面值，有多少种不同的方法。
使用一个货币系统{1,2,5,10,..}产生18单位面值的一些可能的方法是:18×1,9×2,8×2+2×1,3×5+2+1等等其它。
写一个程序来计算有多少种方法用给定的货币系统来构造一个确定的面值。
【输入格式】货币系统中货币的种类数目是v(1≤v≤25)；要构造的面值是n(1≤n≤10,000)；第1行:二个整数，v和n；第2..v+1行：可用的货币v个整数(每行一个)。
动态规划——背包问题python实现（01背包、完全背包、多重背包）参考：⽬录描述：有N件物品和⼀个容量为V的背包。
第i件物品的体积是vi，价值是wi。
求解将哪些物品装⼊背包，可使这些物品的总体积不超过背包流量，且总价值最⼤。
⼆维动态规划f[i][j] 表⽰只看前i个物品，总体积是j的情况下，总价值最⼤是多少。
result = max(f[n][0~V]) f[i][j]:不选第i个物品：f[i][j] = f[i-1][j];选第i个物品：f[i][j] = f[i-1][j-v[i]] + w[i]（v[i]是第i个物品的体积）两者之间取最⼤。
初始化：f[0][0] = 0 （啥都不选的情况，不管容量是多少，都是0？）代码如下：n, v = map(int, input().split())goods = []for i in range(n):goods.append([int(i) for i in input().split()])# 初始化，先全部赋值为0，这样⾄少体积为0或者不选任何物品的时候是满⾜要求dp = [[0 for i in range(v+1)] for j in range(n+1)]for i in range(1, n+1):for j in range(1,v+1):dp[i][j] = dp[i-1][j] # 第i个物品不选if j>=goods[i-1][0]:# 判断背包容量是不是⼤于第i件物品的体积# 在选和不选的情况中选出最⼤值dp[i][j] = max(dp[i][j], dp[i-1][j-goods[i-1][0]]+goods[i-1][1])print(dp[-1][-1])⼀维动态优化从上⾯⼆维的情况来看，f[i] 只与f[i-1]相关，因此只⽤使⽤⼀个⼀维数组[0~v]来存储前⼀个状态。
那么如何来实现呢？第⼀个问题：状态转移假设dp数组存储了上⼀个状态，那么应该有：dp[i] = max(dp[i] , dp[i-v[i]]+w[i])max函数⾥⾯的dp[i]代表的是上⼀个状态的值。
分支界限方法是一种用于解决优化问题的算法。
在动态规划算法中，分支界限方法被广泛应用于解决01背包问题。
01背包问题是一个经典的动态规划问题，其解题步骤如下：1. 确定问题：首先需要明确01背包问题的具体描述，即给定一组物品和一个背包，每个物品有自己的价值和重量，要求在不超过背包容量的情况下，选取尽可能多的物品放入背包，使得背包中物品的总价值最大。
2. 列出状态转移方程：对于01背包问题，可以通过列出状态转移方程来描述问题的求解过程。
假设dp[i][j]表示在前i个物品中，背包容量为j时能够获得的最大价值，则状态转移方程可以表示为：dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i]]+v[i])3. 初始化边界条件：在动态规划中，需要对状态转移方程进行初始化，一般情况下，dp数组的第一行和第一列需要单独处理。
对于01背包问题，可以初始化dp数组的第一行和第一列为0。
4. 利用分支界限方法优化：针对01背包问题，可以使用分支界限方法来优化动态规划算法的效率。
分支界限方法采用广度优先搜索的思想，在每一步选择最有希望的分支，从而减少搜索空间，提高算法的效率。
5. 实际解题步骤：根据上述步骤，实际解决01背包问题的步骤可以概括为：确定问题，列出状态转移方程，初始化边界条件，利用分支界限方法优化，最终得到问题的最优解。
分支界限方法在解决01背包问题时起到了重要的作用，通过合理的剪枝策略，可以有效地减少动态规划算法的时间复杂度，提高问题的求解效率。
分支界限方法也可以应用于其他优化问题的求解过程中，在算法设计和实现中具有重要的理论和实际意义。
在实际应用中，分支界限方法需要根据具体问题进行灵活选择和调整，结合动态规划和剪枝策略，以便更好地解决各类优化问题。
掌握分支界限方法对于解决复杂问题具有重要的意义，也是算法设计和优化的关键技术之一。
分支界限方法在解决01背包问题的过程中，具有重要的作用。
算法设计与分析实验报告0_1背包一．问题描述假设有n件物品，每件物品有各自的重量W1,W2,……,Wn和与之对应的价值V1,V2,……,Vn。
设背包的容量为c，在不超过背包容量的前提下，求出获得最大价值总和的方案。
（0-1背包的情况下物品不可分割，只能选择放入，或者不放入背包中）。
二．求解思路1.贪心策略问题开始阶段，将所有物品按价值从高到低排列，每一次往背包里放入不超过背包容量的价值最大的物品，直到没有物品可放入为止。
但事实证明，由于物品的不可分割性，0-1背包并不适合贪心策略。
例：假设背包的容量为50，共有三件物品(重量,价值)：（10，60），（20，100），（30，120）。
若使用贪心策略，则会选择一个（30，120）和一个（20，100）。
得到的价值总和是220。
而稍加计算便可知选取两个(20，100)和一个（10，60）可以得到更大的价值总和260。
因此贪心策略不能给出0-1背包的最优解。
后话：即使是普通背包问题（物品可分割），每次选择价值最大的物品也不能得到最优解。
正确的贪心策略应是：每次选择单位重量下价值最大的物品。
由于本次实验主要讨论的是0-1背包问题，这里就不给出该贪心策略的证明。
2.动态规划(1)证明0-1背包问题具有最优子结构性质：假设(x1,x2,……,xn)是容量为c的背包的一组最优解，其中xi的取值为0或1，表示是否放入背包中。
则必有（x2,x3,……,xn）为如下子问题的一组最优解：sum{xi*wi} (2<=i<=n)<=c-x1*w1利用反证法证明，假设（y1,y2,……,yn）是该子问题的一组最优解而（x2,x3,……,xn）不是。
则sum{yi*vi} > sum{xi*vi} (2<=i<=n)那么就可得到:x1*v1+ sum{yi*vi} > x1*v1+ sum{xi*vi} (2<=i<=n)则(x1,y2,……,yn)是原问题的最优解，而(x1,x2,……,xn)不是，与假设矛盾。
01背包问题动态规划算法
01背包问题是求在限定条件下，在一定的容量内最优装载物品，使得总价值最大。
动态规划算法是一种用于解决多阶段决策问题的途径，其特点是将原问题划分成若干子问题，每个子问题只求解一次，保存子问题的解，避免了重复计算。
01背包问题动态规划算法的步骤如下：
1、确定状态：物品的种数i (i=1,2,…n)，背包的容量j (j=0,1,2,…V)。
2、确定状态转移方程：f[i][j]=max{f[i-1][j],f[i-1][j-wi]+vi}。
3、确定初始状态：f[i][0]=0,f[0][j]=0。
4、确定输出：最后f[n][V]即为最优解。
5、根据状态转移方程从左到右，从上到下进行迭代计算。
01背包问题（01knapsackproblem）0 / 1 背包问题(0 / 1 knapsack problem)背包问题（Knapsack problem）是⼀种组合优化的问题。
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，即在总重量不超过W的前提下，总价值是否能达到V。
1、题⽬描述假设商店中有如下3个商品，他们的重量和价格如下：索引重量价值011500143000232000假如你是⼀个⼩偷，你有⼀个重量为4的包，每个商品只能偷⼀次，请问你怎么偷才会使得最后的价值最⼤？2、分析这种问题⼀般可以⽤动态规划很好地解决。
但是如果我不⽤动态规划，⽽是⽤搜索所有情况来解决也可以，每个商品都有偷或不偷的选项，所以n个商品就有n^2种情况，所以⽤遍历的⽅法时间复杂度为O(n^2) n为商品的数量现在我们假设B(k, w)表⽰的是前k个商品，在背包容量为w的情况下能偷的最⾼价值当现在⾯对的第k个物品重量太重时：B(k, w) = B(k-1, w)，代表我在多了⼀个物品的选择的情况下，仍然和没有这件物品时的选择⼀样，所以结果也⼀样（因为我偷不了或者我不偷的情况）当第k个物品的重量我可以接受时：B(k, w) = B(k-1, w - 这件物品的重量) + 这件物品的价值代表我如果偷了这件物品，那剩下的w - 这件物品重量的空间可以容纳的最⼤价值就是在上⼀次选择时B(k-1, w - 这件物品的重量)的值。
再加上这件物品的价值就是我偷了这件物品的最⼤值。
所以，在衡量⼀个B(k, w)时，⾸先看⼀下能不能偷，能得话看⼀下偷还是不偷两个的最⼤值，就是B(k, w)的值，所以我们回到上⾯的问题，问题的解就是B(2，4)的值我们⽤⼆维数组 dp[][]来表⽰整个的过程可选商品 \ 背包容量012340号商品（1，1500）015001500150015000 ~ 1号商品（4，3000）015001500150030000 ~ 2号商品（3，2000）01500150020003500如图中加粗数字1500代表的是在有前两个商品，背包容量为2时可以偷的最⼤价值为1500图中加粗数字3000，即在有前2个商品，背包重量为4时，可以偷的最⼤价值为3000，这个数是这样算的：第⼆个商品（1号）重量为4，正好满⾜，如果偷的话所以价值为3000 + 0 = 3000如果不偷的话价值和只有1个商品，背包容量为4的价值⼀样，1500取最⼤值为3000所以问题的关键就在构建这个⼆维数组3、实现/*** 时间复杂度：O(n * capacity) n为商品数量，capacity为包的⼤⼩* 空间复杂度：O(n * capacity) 可以优化为capacity*/public class Main{/*** 0/1 背包问题* @param w w[i]代表i号物品的重量（从0开始）* @param v v[i]代表i号物品的价值（从0开始）* @param capacity 代表包的最⼤容量* @return 可以偷的商品的最⼤值*/public static int knapsack(int[] w, int[] v, int capacity){int goods = w.length; // 商品数int[][] dp = new int[goods][capacity + 1];// 初始化第⼀⾏,因为第⼀⾏上层没有元素了，即只有第⼀个商品时for(int j = 1; j <= capacity; j++){if(j >= w[0]) dp[0][j] = v[0];}// 前i个商品, 背包容量为j时偷得最⼤价值for(int i = 1; i < goods; i++) {for(int j = 1; j < capacity + 1; j++) {// 如果容量不够放下第i个商品if(w[i] > j) {dp[i][j] = dp[i-1][j];} else { // 如果可以放下这件商品dp[i][j] =Math.max(dp[i-1][j], v[i] + dp[i-1][j-w[i]]);}}}// System.out.println(Arrays.deepToString(dp));return dp[goods - 1][capacity];}}⽤滚动数组优化空间复杂度：因为如果我们从后往前构建每⼀⾏，那上⼀⾏保留的就可以在构建时候⽤/*** 时间复杂度：O(n * capacity) n为商品数量，capacity为包的⼤⼩* 空间复杂度：O(capacity)*/public class Main{/*** 0/1 背包问题* @param w w[i]代表i号物品的重量（从0开始）* @param v v[i]代表i号物品的价值（从0开始）* @param capacity 代表包的最⼤容量* @return 可以偷的商品的最⼤值*/public static int knapsack(int[] w, int[] v, int capacity){int goods = w.length; // 商品数int[] dp = new int[capacity + 1];// 前i个商品, 背包容量为j时偷得最⼤价值for(int i = 0; i < goods; i++) {for(int j = capacity; j > 0; j--) {// 如果能装下就更新，装不下就不更新(上⼀⾏的值)if(j - w[i] >= 0) {dp[j] = Math.max(dp[j], v[i] + dp[j - w[i]]);}}}return dp[capacity];}}。
C语⾔动态规划之背包问题详解01背包问题给定n种物品，和⼀个容量为C的背包，物品i的重量是w[i],其价值为v[i]。
问如何选择装⼊背包的物品，使得装⼊背包中的总价值最⼤？（⾯对每个武平，只能有选择拿取或者不拿两种选择，不能选择装⼊某物品的⼀部分，也不能装⼊物品多次）声明⼀个数组f[n][c]的⼆维数组，f[i][j]表⽰在⾯对第i件物品，且背包容量为j时所能获得的最⼤价值。
根据题⽬要求进⾏打表查找相关的边界和规律根据打表列写相关的状态转移⽅程⽤程序实现状态转移⽅程真题演练：⼀个旅⾏者有⼀个最多能装M公⽄的背包，现在有n件物品，它们的重量分别是W1、W2、W3、W4、…、Wn。
它们的价值分别是C1、C3、C2、…、Cn,求旅⾏者能获得最⼤价值。
输⼊描述：第⼀⾏：两个整数，M（背包容量，M<= 200)和N（物品数量，N<=30);第2…N+1⾏：每⾏两个整数Wi，Ci，表⽰每个物品的质量与价值。
输出描述：仅⼀⾏，⼀个数，表⽰最⼤总价值样例：输⼊：10 42 13 34 57 9输出：12解题步骤定义⼀个数组dp[i][j]表⽰容量为j时，拿第i个物品时所能获取的最⼤价值。
按照题⽬要求进⾏打表，列出对应的dp表。
W[i]（质量）V[i]（价值）01234567891000000000000210011111111133001334444444500135568899790013556991012对于⼀个动态规划问题设置下标时最好从0开始，因为动态规划经常会和上⼀个状态有关系！从上⾯的dp表可以看出来对于⼀个物品我们拿还是不难需要进⾏两步来判断。
第⼀步：判断背包当前的容量j是否⼤于物品当前的质量，如果物品的质量⼤于背包的容量那么就舍弃。
第⼆步：如果背包可以装下这个物品，就需要判断装下该物品获取的最⼤价值是不是⼤于不装下这个物品所获取的最⼤价值，如果⼤于那么就把东西装下！根据这样的思想我们可以得到状态转移⽅程：如果单签背包的容量可以装下物品:dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+v[i]);如果当前背包的容量装不下该物品:dp[i][j]=dp[i-1][j];#include <stdio.h>int max(const int a,const int b){return a>b ? a:b;}int main(){int w[35]={0},v[35]={0},dp[35][210]={0};int n,m;scanf("%d %d",&m,&n);int i,j;for(i=1;i<=n;i++){scanf("%d %d",&w[i],&v[i]);}for(i=1;i<=n;i++){for(j=1;j<=m;j++){if(j>=w[i])//如果当前背包的容量⼤于商品的质量{dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+v[i]);//判断是否应该拿下}else//⼤于背包的当前容量{dp[i][j]=dp[i-1][j];}}}for(int k=0;k<=n;k++){for(int l=0;l<=m;l++){printf("%d ",dp[k][l]);}printf("\n");}printf("%d\n",dp[n][m]);}通过运⾏以上程序可以看到最终的输出dp表和我们的预期是相符合的！但是并没有结束，动态规划有⼀个后⽆效性原则(当前状态只与前⼀个状态有关)。
0/1 背包问题动态规划详解及C代码动态规划是用空间换时间的一种方法的抽象。
其关键是发现子问题和记录其结果。
然后利用这些结果减轻运算量。
比如01背包问题。
/* 一个旅行者有一个最多能用M公斤的背包，现在有N件物品，它们的重量分别是W1，W2，...,Wn,它们的价值分别为P1,P2,...,Pn.若每种物品只有一件求旅行者能获得最大总价值。
输入格式：M,NW1,P1W2,P2......输出格式：X*/因为背包最大容量M未知。
所以，我们的程序要从1到M一个一个的试。
比如，开始任选N 件物品的一个。
看对应M的背包，能不能放进去，如果能放进去，并且还有多的空间，则，多出来的空间里能放N-1物品中的最大价值。
怎么能保证总选择是最大价值呢？看下表。
测试数据：10,33,44,55,6c[i][j]数组保存了1,2,3号物品依次选择后的最大价值.这个最大价值是怎么得来的呢?从背包容量为0开始,1号物品先试,0,1,2,的容量都不能放.所以置0,背包容量为3则里面放4.这样,这一排背包容量为4,5,6,....10的时候，最佳方案都是放4.假如1号物品放入背包.则再看2号物品.当背包容量为3的时候，最佳方案还是上一排的最价方案c为4.而背包容量为5的时候，则最佳方案为自己的重量5.背包容量为7的时候，很显然是5加上一个值了。
加谁??很显然是7-4=3的时候.上一排 c3的最佳方案是4.所以。
总的最佳方案是5+4为9.这样.一排一排推下去。
最右下放的数据就是最大的价值了。
(注意第3排的背包容量为7的时候,最佳方案不是本身的6.而是上一排的9.说明这时候3号物品没有被选.选的是1,2号物品.所以得9.)从以上最大价值的构造过程中可以看出。
f(n,m)=max{f(n-1,m), f(n-1,m-w[n])+P(n,m)}这就是书本上写的动态规划方程.这回清楚了吗?下面是实际程序（在VC 6.0环境下通过）:#include<stdio.h>int c[10][100];/*对应每种情况的最大价值*/int knapsack(int m,int n){int i,j,w[10],p[10];printf("请输入每个物品的重量,价值：\n");for(i=1;i<=n;i++)scanf("%d,%d",&w[i],&p[i]);for(i=0;i<10;i++)for(j=0;j<100;j++)c[i][j]=0;/*初始化数组*/for(i=1;i<=n;i++)for(j=1;j<=m;j++){if(w[i]<=j) /*如果当前物品的容量小于背包容量*/{if(p[i]+c[i-1][j-w[i]]>c[i-1][j])/*如果本物品的价值加上背包剩下的空间能放的物品的价值*//*大于上一次选择的最佳方案则更新c[i][j]*/c[i][j]=p[i]+c[i-1][j-w[i]];elsec[i][j]=c[i-1][j];}else c[i][j]=c[i-1][j];}return(c[n][m]);}int main(){int m,n;int i,j;printf("请输入背包的承重量,物品的总个数：\n");scanf("%d,%d",&m,&n);printf("旅行者背包能装的最大总价值为%d",knapsack(m,n)); printf("\n");return 0;}。
