目录
完全背包理论基础
完全背包问题
算法实现
518.零钱兑换II
前言
思路
377. 组合总和 Ⅳ
前言
思路
算法实现
总结
完全背包理论基础
题目链接
文章链接
完全背包问题
有N件物品和一个最多能背重量为W的背包。第i件物品的重量是weight[i]，得到的价值是value[i] 。每件物品都有无限个（也就是可以放入背包多次），求解将哪些物品装入背包里物品价值总和最大。
这是一道纯完全背包问题，完全背包与0-1背包的区别在于0-1背包问题每个物品只能放一次，而完全背包问题每个物品可以放任意次。
因此01背包和完全背包唯一不同就是体现在遍历顺序上，所以本文就不去做动规五部曲了，我们直接针对遍历顺序经行分析！
首先再回顾一下01背包的核心代码：
for(int i = 0; i < weight.size(); i++) { // 遍历物品
for(int j = bagWeight; j >= weight[i]; j--) { // 遍历背包容量
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
}
}0-1背包是先遍历物品，在遍历背包，并且在遍历背包时是倒序遍历，这样才能保证每个物品仅被添加一次。而完全背包的物品是可以添加多次的，所以要从小到大去遍历：
// 先遍历物品，再遍历背包
for(int i = 0; i < weight.size(); i++) { // 遍历物品
for(int j = weight[i]; j <= bagWeight ; j++) { // 遍历背包容量
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
}
}01背包中二维dp数组的两个for遍历的先后循序是可以颠倒了，一维dp数组的两个for循环先后循序一定是先遍历物品，再遍历背包容量。
在完全背包中，对于一维dp数组来说，其实两个for循环嵌套顺序是无所谓的！因为dp[j] 是根据 下标j之前所对应的dp[j]计算出来的。 只要保证下标j之前的dp[j]都是经过计算的就可以了。
算法实现
#include <bits/stdc++.h>
using namespace std;
void test_CompletePack(vector<int> weight, vector<int> value, int bagWeight){
vector<int> dp(bagWeight + 1, 0);
// 采用先遍历物品，再遍历背包的方式
for (int i = 0; i < weight.size(); i++) {
for (int j = weight[i]; j <= bagWeight; j++) {
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
}
}
cout << dp[bagWeight] << endl;
}
int main(){
int N, V;
cin >> N >> V;
vector<int> weight(N, 0);
vector<int> value(N, 0);
for (int i = 0; i < N; i++){
int w;
int v;
cin >> w >> v;
weight.push_back(w);
value.push_back(v);
}
test_CompletePack(weight, value, V);
return 0;
}如果要采用先遍历背包，再遍历物品的方式，可以采用以下代码：
// 先遍历背包，再遍历物品
for(int j = 0; j <= bagWeight; j++) { // 遍历背包容量
for(int i = 0; i < weight.size(); i++) { // 遍历物品
if (j - weight[i] >= 0) dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
}
cout << endl;
}518.零钱兑换II
题目链接
文章链接
前言
这是一道典型的背包问题，一看到钱币数量不限，就知道这是一个完全背包。但本题和纯完全背包不一样，纯完全背包是凑成背包最大价值是多少，而本题是要求凑成总金额的物品组合个数！与目标和那题有点类似，不过那道题限制了每个物品只能取一次，是一道0-1背包问题。
思路
利用动规五部曲进行分析：
1.确定dp数组及其下标的含义：
dp[j]：凑成总金额j的货币组合数为dp[j]。
2.确定递推公式：
dp[j] 就是所有的dp[j - coins[i]]（考虑coins[i]的情况）相加。
所以递推公式：dp[j] += dp[j - coins[i]];
在01背包题目的时候在这篇494. 目标和 (opens new window)中就有出现，求装满背包有几种方法，公式都是：dp[j] += dp[j - nums[i]];
3.初始化dp数组：
首先dp[0]一定要为1，dp[0] = 1是 递归公式的基础。如果dp[0] = 0 的话，后面所有推导出来的值都是0了。其他下标都初始化为1；
4.确定遍历顺序：
在上一节理论基础中讲到完全背包的两个for循环的先后顺序都是可以的。但本题就不行了！
因为纯完全背包求得装满背包的最大价值是多少，和凑成总和的元素有没有顺序没关系，即：有顺序也行，没有顺序也行！
而本题要求凑成总和的组合数，元素之间明确要求没有顺序。自己打印dp数组和分析遍历物品和背包的不同顺序可以发现，求组合问题要先遍历物品，再遍历背包；而求排列问题要先遍历背包，再遍历物品！
举个例子，我们先来看 外层for循环遍历物品（钱币），内层for遍历背包（金钱总额）的情况：
for (int i = 0; i < coins.size(); i++) { // 遍历物品
for (int j = coins[i]; j <= amount; j++) { // 遍历背包容量
dp[j] += dp[j - coins[i]];
}
}假设：coins[0] = 1，coins[1] = 5。那么就是先把1加入计算，然后再把5加入计算，得到的方法数量只有{1, 5}这种情况。而不会出现{5, 1}的情况。所以这种遍历顺序中dp[j]里计算的是组合数！
如果把两个for交换顺序，代码如下：
for (int j = 0; j <= amount; j++) { // 遍历背包容量
for (int i = 0; i < coins.size(); i++) { // 遍历物品
if (j - coins[i] >= 0) dp[j] += dp[j - coins[i]];
}
}背包容量的每一个值，都是经过 1 和 5 的计算，包含了{1, 5} 和 {5, 1}两种情况。此时dp[j]里算出来的就是排列数！
5.打印dp数组：
输入: amount = 5, coins = [1, 2, 5] ，dp状态图如下：
算法实现文章链接
class Solution {
public:
int change(int amount, vector<int>& coins) {
vector<int> dp(amount + 1, 0);
dp[0] = 1;
for (int i = 0; i < coins.size(); i++) {
for (int j = coins[i]; j <= amount; j++) {
dp[j] += dp[j - coins[i]];
}
}
return dp[amount];
}
};377. 组合总和 Ⅳ
题目链接
文章链接
前言
本题表面上是让我们求的元素的组合，但是又说元素相同顺序不同的组合算两个组合，因此是一道排列问题！
思路
本题求的是排列总和，而且仅仅是求排列总和的个数，并不是把所有的排列都列出来。如果本题要把排列都列出来的话，只能使用回溯算法爆搜。
利用动规五部曲来进行分析：
1.确定dp数组及其下标的含义：
dp[j]: 凑成目标正整数为j的排列个数为dp[j]个；
2.确定递推公式：
与上一题相同，求装满背包有几种方法，公式都是：dp[j] += dp[j - nums[i]];
3.dp数组初始化：
为了使递推公式成立，可以代入具体数值确定，可以得到dp[0] = 1，其余下标初始化为0；
4.确定遍历顺序：
上一题已经明确：求组合问题要先遍历物品，再遍历背包；而求排列问题要先遍历背包，再遍历物品！
因此本题的遍历顺序是先遍历背包，再遍历物品。
5.打印dp数组：
算法实现
class Solution {
public:
int combinationSum4(vector<int>& nums, int target) {
vector<int> dp(target + 1, 0);
dp[0] = 1;
for (int j = 0; j <= target; j++) {
for (int i = 0; i < nums.size(); i++) {
if (j >= nums[i] && dp[j] < INT_MAX - dp[j - nums[i]]) dp[j] += dp[j - nums[i]];
}
}
return dp[target];
}
};总结
今天学了完全背包问题的处理方法，并且回顾了求装满背包问题的递推公式：dp[j - nums[i]]。
