动态规划就是，将任务每一步均记录下来，以便将来重复使用时能够直接调用
问题描述：给定n个物品，每个物品的重量是Wi,价值是Vi，但是背包最多能装下capacity重量的物品，问我们如何选择才能利益最大化。
这里涉及到建模过程，本文章主要讲解代码实现，建模过程较为简略。
使用dp[i][j]来表示在容量为j的情况下，前i件物品的最大化利益。
情况一：放入第i件物品前，发现j<weight[i]，因此dp[i][j]此时仍然是dp[i-1][j]（也就是dp[i][j]没有发生变化）。
情况二：放入第i件物品时，发现j >= weight[i]，此时你放入这件物品与否要看放进去以后利益是如何变化的。
①不放入，那么dp[i][j]的值还是dp[i-1][j]。
②放入，那么dp[i][j]的值是dp[i-1][j-weight[i]]+value[i]。（想一想对不对）
那么具体实现代码如下
weight = [1,2,5,6,7,9]
value = [1,6,18,22,28,36]
num = 6
capicity = 13
def fun(num, capicity, weight, value):
#构造一个num+1行，capicity+1列的二维数组
#便于下标从1开始使用
dp = np.array([[0]*(capicity+1)]*(num+1))
#dp[i][j]表示第前i件物品在容量为j下的最大价值
#最终需要知道dp[num][capicity]也就是dp[6][13]，在容量为13情况下前6件物品的最大价值是多少。
#进一步的需要知道dp[][]
for i in range(1,num+1):
for j in range(1, capicity+1):
if j >= weight[i-1]:
dp[i][j] = max(dp[i-1][j], dp[i-1][j-weight[i-1]]+price[i-1])
else:
dp[i][j] = dp[i-1][j]
print(dp)
fun(num, capicity, weight, value)
核心就在于这个动态转移方程。
d p [ i ] [ j ] = m a x { d p [ i − 1 ] [ j ] , d p [ i − 1 ] [ j − w e i g h t [ i ] ] + v a l u e [ i ] } dp[i][j] = max\{dp[i-1][j],dp[i-1][j-weight[i]]+value[i]\} dp[i][j]=max{dp[i−1][j],dp[i−1][j−weight[i]]+value[i]}
虽写下这篇笔记，但有关动态规划的问题还需多多研究，加深理解。
