说明
在上一篇中，我们对01背包问题进行了比较深入的研究，这一篇里，我们来聊聊另一个背包问题：完全背包。
完全背包
有N种物品和一个容量为T的背包，每种物品都就可以选择任意多个，第i种物品的价值为P[i]，体积为V[i]，求解：选哪些物品放入背包，可卡因使得这些物品的价值最大，并且体积总和不超过背包容量。
跟01背包一样，完全背包也是一个很经典的动态规划问题，不同的地方在于01背包问题中，每件物品最多选择一件，而在完全背包问题中，只要背包装得下，每件物品可以选择任意多件。从每件物品的角度来说，与之相关的策略已经不再是选或者不选了，而是有取0件、取1件、取2件...直到取⌊T/Vi⌋（向下取整）件。
贪心算法
看到可以选择任意多件，你也许会想，那还不容易，选性价比最高的就好了。
于是开启贪婪模式，把每种物品的价格除以体积来算出它们各自的性价比，然后只选择性价比最高的物品放入背包中。
嗯，听起来好像没什么毛病，但仍旧有一个问题，那就是同一种物品虽然可以选择任意多件，但仍旧只能以件为单位，也就是说单个物品是无法拆分的，不能选择半件，只能多选一件或者少选一件。这样就造成了一个问题，往往无法用性价比最高的物品来装满整个背包，比如背包空间为10，性价比最高的物品占用空间为7，那么剩下的空间该如何填充呢？
你当然会想到用性价比第二高的物品填充，如果仍旧无法填满，那就依次用第三、第四性价比物品来填充。
听起来似乎可行，但我只需要举一个反例便能证明这个策略行不通。
想要举反例很简单，比如只有两个物品：物品A：价值5，体积5，物品B：价值8：体积7，背包容量为10，物品B的性价比显然要比物品A高，那么用贪心算法必然会选择放入一个物品B，此时，剩余的空间已无法装下A或者B，所以得到的最高价值为8，而实际上，选择放入两个物品A即可得到更高的价值10。所以这里贪心算法并不适用。
递归法
像上一篇中的那样，我们只需要找到递推关系式，就很容易使用递归解法来求解了。
用ks(i,t)表示前i种物品放入一个容量为t的背包获得的最大价值，那么对于第i种物品，我们有k种选择，0 <= k * V[i] <= t，即可以选择0、1、2...k个第i种物品，所以递推表达式为：
ks(i,t) = max{ks(i-1, t - V[i] * k) + P[i] * k}; （0 <= k * V[i] <= t）
同时，ks(0,t)=0;ks(i,0)=0;
使用上面的栗子，我们可以先用递归来求解：
public static class Knapsack {
private static int[] P={0,5,8};
private static int[] V={0,5,7};
private static int T = 10;
@Test
public void soleve1() {
int result = ks(P.length - 1,10);
System.out.println("最大价值为：" + result);
}
private int ks(int i, int t){
int result = 0;
if (i == 0 || t == 0){
// 初始条件
result = 0;
} else if(V[i] > t){
// 装不下该珠宝
result = ks(i-1, t);
} else {
// 可以装下
// 取k个物品i，取其中使得总价值最大的k
for (int k = 0; k * V[i] <= t; k++){
int tmp2 = ks(i-1, t - V[i] * k) + P[i] * k;
if (tmp2 > result){
result = tmp2;
}
}
}
return result;
}
}
同样，这里的数组P和V分别添加了一个元素0，是为了减少越界判断而做的简单处理，运行如下：
最大价值为：11
如果你对比一下01背包问题中的递归解法，就会发现唯一的区别便是这里多了一层循环，因为01背包中，对于第i个物品只有选和不选两种情况，只需要从这两种选择中选出最优的即可，而完全背包问题则需要在k种选择中选出最优解，这便是最内层循环在做的事情。
for (int k = 0; k * V[i] <= t; k++){
// 选取k个第i件商品的最优价值为tmp2
int tmp2 = ks(i-1, t - V[i] * k) + P[i] * k;
if (tmp2 > result){
// 从中拿出最大的值即为最优解
result = tmp2;
}
}
最优化原理和无后效性
那这个问题可以不可以像01背包问题一样使用动态规划来求解呢？来证明一下即可。
首先，先用反证法证明最优化原理：
假设完全背包的解为F(n1,n2,...,nN)（n1，n2 分别代表第1、第2件物品的选取数量），完全背包的子问题为，将前i种物品放入容量为t的背包并取得最大价值，其对应的解为：F(n1,n2,...,ni)，假设该解不是子问题的最优解，即存在另一组解F(m1,m2,...,mi)，使得F(m1,m2,...,mi) > F(n1,n2,...,ni)，那么F(m1,m2,...,mi,...,nN) 必然大于 F(n1,n2,...,nN)，因此 F(n1,n2,...,nN) 不是原问题的最优解，与原假设不符，所以F(n1,n2,...,ni)必然是子问题的最优解。
再来看看无后效性：
对于子问题的任意解，都不会影响后续子问题的解，也就是说，前i种物品如何选择，只要最终的剩余背包空间不变，就不会影响后面物品的选择。即满足无后效性。
因此，完全背包问题也可以使用动态规划来解决。
动态规划
既然知道了可以使用动态规划求解，接下来就是要找到这个问题的状态转移方程。
其实前面的递推法中，已经找到了递推关系式，它便已经是我们需要的状态转移方程。
自上而下记忆法
ks(i,t) = max{ks(i-1, t - V[i] * k) + P[i] * k}; （0 <= k * V[i] <= t）
public static class Knapsack {
private static int[] P={0,5,8};
private static int[] V={0,5,7};
private static int T = 10;
private Integer[][] results = new Integer[P.length + 1][T + 1];
@Test
public void solve2() {
int result = ks2(P.length - 1,10);
System.out.println("最大价值为：" + result);
}
private int ks2(int i, int t){
// 如果该结果已经被计算，那么直接返回
if (results[i][t] != null) return results[i][t];
int result = 0;
if (i == 0 || t == 0){
// 初始条件
result = 0;
} else if(V[i] > t){
// 装不下该珠宝
result = ks2(i-1, t);
} else {
// 可以装下
// 取k个物品，取其中使得价值最大的
for (int k = 0; k * V[i] <= t; k++){
int tmp2 = ks2(i-1, t - V[i] * k) + P[i] * k;
if (tmp2 > result){
result = tmp2;
}
}
}
results[i][t] = result;
return result;
}
}
找出递归解法后，动态规划的解法其实就很简单了，只是多使用了一个二维数组来存储中间的解。
自下而上填表法
最后，还可以使用填表法来解决，此时需要将数组P和V额外添加的元素0去掉。
为了方便理解，还是再画一个图吧：
对于第i种物品，我们可以选择的目标其实是从上一层中的某几个位置挑选出价值最高的一个。
这里当t=10时，因为最多只能放得下1个i2物品，所以只需要将两个数值进行比较，如果t=14，那么就需要将取0个、1个和两个i2物品的情况进行比较，然后选出最大值。
public static class Knapsack {
private static int[] P={5,8};
private static int[] V={5,7};
private static int T = 10;
private int[][] dp = new int[P.length + 1][T + 1];
@Test
public void solve3() {
for (int i = 0; i < P.length; i++){
for (int j = 0; j <= T; j++){
for (int k = 0; k * V[i] <= j; k++){
dp[i+1][j] = Math.max(dp[i+1][j], dp[i][j-k * V[i]] + k * P[i]);
}
}
}
System.out.println("最大价值为：" + dp[P.length][T]);
}
}
跟01背包问题一样，完全背包的空间复杂度也可以进行优化，具体思路这里就不重复介绍了，可以翻看前面的01背包问题优化篇。
优化后的状态转移方程为：
ks(t) = max{ks(t), ks(t - Vi) + Pi}
public static class Knapsack {
private static int[] P={0,5,8};
private static int[] V={0,5,7};
private static int T = 10;
private int[] newResults = new int[T + 1];
@Test
public void resolve4() {
int result = ksp(P.length,T);
System.out.println(result);
}
private int ksp(int i, int t){
// 开始填表
for (int m = 0; m < i; m++){
for (int n = V[m]; n <= t; n++){
newResults[n] = Math.max(newResults[n] , newResults[n - V[m]] + P[m]);
}
// 可以在这里输出中间结果
System.out.println(JSON.toJSONString(newResults));
}
return newResults[newResults.length - 1];
}
}
输出如下：
[0,0,0,0,0,0,0,0,0,0,0]
[0,0,0,0,0,5,5,5,5,5,10]
[0,0,0,0,0,5,5,8,8,8,10]
10
其实完全背包问题也可以转化成01背包问题来求解，因为第i件物品最多选 ⌊T/Vi⌋(向下取整) 件，于是可以把第i种物品转化为⌊T/Vi⌋件体积和价值相同的物品，然后再来求解这个01背包问题。具体方法这里就不多说了，留给大家自行解决。如果遇到问题，可以翻开前面关于01背包问题的两篇文章。
总结
完全背包问题跟01背包有很多相似之处，比较一下他们的状态转移方程以及各种解法，就会发现他们其实是异父异母的亲兄弟。
这两个背包问题的关键都在于状态转移方程的寻找，如果对于类似的问题没有思路，可以先尝试找出递归解法，然后自上而下的记忆法便水到渠成了。
当然，最重要的还是解题思路，理解记忆法和填表法的精髓，有助于之后举一反三，去解决类似的延伸问题。
关于完全背包问题的解析到此就结束了，祝大家五一愉快！
如果有疑问或者有什么想法，也欢迎关注我的公众号进行留言交流：
