算法——背包问题——0-1背包问题 python代码实现

0-1 背包问题（0-1 Knapsack Problem）

问题描述：给定 n 个物品，每个物品有重量 wi​ 和价值 vi​，以及一个容量为 W 的背包。每个物品只能选择 放入或不放入 背包，求如何选择物品使得总价值最大且总重量不超过 W。
特点：每个物品只能选择一次。
应用场景：资源分配、投资组合选择等。
解决的问题：在资源有限（背包容量有限）的情况下，对具有不同价值和重量的物品进行选择，以达到价值最大化的决策问题。例如，在一次旅行中，旅行者的背包容量有限，需要从各种不同重量和价值的物品中选择携带哪些物品，以在不超过背包容量的前提下，使携带物品的总价值最高。

代码实现

def knapsack(V, costs, values):
    n = len(costs)
    # dp[v] 表示容量为v时的最大价值`在这里插入代码片`
    dp = [0] * (V + 1)
    
    for i in range(n):
        # 逆序遍历容量，避免重复计算
        for v in range(V, costs[i] - 1, -1):
            # 选择当前物品或不选，取最大值
            dp[v] = max(dp[v], dp[v - costs[i]] + values[i])
    
    return dp[V]

使用示例

# 示例输入
V = 4  # 背包容量
costs = [3, 4, 1]  # 物品费用
values = [20, 30, 15]  # 物品价值

# 调用函数
max_value = knapsack(V, costs, values)
print("最大价值:", max_value)  # 输出: 35（选择第1和3号物品，总费用3+1=4，价值20+15=35）

关键解释

1. 动态规划状态定义
   dp[v] 表示背包容量为 v 时的最大价值。通过逐步考虑每个物品，更新不同容量下的最优解。

2. 逆序遍历容量的原因
   正序遍历会导致同一物品被多次选择（即变成完全背包问题），而逆序保证每个物品只被计算一次。

3. 时间复杂度
   ( O(N \times V) )，其中 ( N ) 为物品数量，( V ) 为背包容量。

其他测试案例

案例 1

V = 5
costs = [2, 3, 4, 5]
values = [3, 4, 5, 6]
# 最大价值为7（选择物品0和1，费用2+3=5，价值3+4=7）
print(knapsack(V, costs, values))  # 输出: 7

案例 2

V = 10
costs = [5, 4, 6, 3]
values = [10, 40, 30, 50]
# 最大价值为90（选择物品1和3，费用4+3=7 ≤10，价值40+50=90）
print(knapsack(V, costs, values))  # 输出: 90

扩展：输出选择的物品列表

如果需要记录具体选择的物品，可以通过反向追踪 dp 数组实现：

def knapsack_with_items(V, costs, values):
    n = len(costs)
    dp = [0] * (V + 1)
    # 记录每个容量下的物品选择路径
    selected = [[] for _ in range(V + 1)]
    
    for i in range(n):
        for v in range(V, costs[i] - 1, -1):
            if dp[v - costs[i]] + values[i] > dp[v]:
                dp[v] = dp[v - costs[i]] + values[i]
                selected[v] = selected[v - costs[i]] + [i]  # 记录选择路径
    
    return dp[V], selected[V]

# 示例
max_val, items = knapsack_with_items(4, [3,4,1], [20,30,15])
print("最大价值:", max_val)   # 输出: 35
print("选择的物品索引:", items)  # 输出: [0, 2]

通过这种方式，可以同时获取最大价值和具体选择的物品。