基于动态规划方法改进0-1背包问题，采用跳跃点 完整的实验报告，结尾附有完整代码

应用模拟退火算法解决0-1背包问题 里面有我的举例说明 也有程序运行后的截图

0-1背包问题-算法简洁易懂

基本思路 　　这是最基础的背包问题，特点是：每种物品仅有一件，可以选择放或不放。 　　用子问题定义状态：即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。则其状态转移方程便是：f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]} 。 可以压缩空间，f[v]=max{f[v],f[v-c[i]]+w[i]} 　　这个方程非常重要，基本上所有跟背包相关的问题的方程都是由它衍生出来的。所以有必要将它详细解释一下：“将前i件物品放入容量为v的背包中”这个子问题，若只考虑第i件物品的策略（放或不放），那么就可以转化为一个只牵扯前i-1件物品的问题。如果不放第i件物品，那么问题就转化为“前i-1件物品放入容量为v的背包中”，价值为f[i-1][v]；如果放第i件物品，那么问题就转化为“前i-1件物品放入剩下的容量为v-c[i]的背包中”，此时能获得的最大价值就是f [i-1][v-c[i]]再加上通过放入第i件物品获得的价值w[i]。 　　注意f[v]有意义当且仅当存在一个前i件物品的子集，其费用总和为v。所以按照这个方程递推完毕后，最终的答案并不一定是f[N] [V]，而是f[N][0..V]的最大值。如果将状态的定义中的“恰”字去掉，在转移方程中就要再加入一项f[v-1]，这样就可以保证f[N] [V]就是最后的答案。至于为什么这样就可以，由你自己来体会了。 优化空间复杂度 　　以上方法的时间和空间复杂度均为O(N*V)，其中时间复杂度基本已经不能再优化了，但空间复杂度却可以优化到O(N)。 　　先考虑上面讲的基本思路如何实现，肯定是有一个主循环i=1..N，每次算出来二维数组f[i][0..V]的所有值。那么，如果只用一个数组f [0..V]，能不能保证第i次循环结束后f[v]中表示的就是我们定义的状态f[i][v]呢？ 　　f[i][v]是由f[i-1][v]和f [i-1][v-c[i]]两个子问题递推而来，能否保证在推f[v]时（也即在第i次主循环中推f[v]时）能够得到f[v]和f[v -c[i]]的值呢？事实上，这要求在每次主循环中我们以v=V..0的顺序推f[v]，这样才能保证推f[v]时f[v-c[i]]保存的是状态f[i-1][v-c[i]]的值。伪代码如下： 　　for i=1..N 　　for v=V..0 　　f[v]=max{f[v],f[v-c[i]]+w[i]}; 　　其中的f[v]=max{f[v],f[v-c[i]]}一句恰就相当于我们的转移方程f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]}，因为现在的 　　f[v-c[i]]就相当于原来的f[i-1][v-c[i]]。如果将v的循环顺序从上面的逆序改成顺序的话，那么则成了f[i][v]由f[i][v-c[i]]推知，与本题意不符，但它却是另一个重要的背包问题P02最简捷的解决方案，故学习只用一维数组解01背包问题是十分必要的。

基于MATLAB平台，用动态规划法解决0-1背包问题，较为简单。参数分别为[物品重量，物品价值，背包容量，背包价值]

18级学姐自主完成的算法作业，呕心沥血，基于四舍五入等于0基础的python实现，如果在语言规范上存在不足，那就。就憋着！哈哈哈哈哈，代码仅供参考，自己亲自码代码更酸爽！

要做实验的同学赶紧下哟，晚了就没了哈 速度来下啊

算法分析与设计，0-1背包问题实验报告，两种方法，两种方法

贪心粒子群算法求解多维0-1背包问题，郝俊玲，，本文将单维背包问题求解中常用的贪心思想推广到多维0-1背包问题，但多维背包问题的多约束特性使得单维背包问题中按物品性价比非增

0-1背包问题的3种详细解法和比较 详细讲解了0-1背包问题的动态规划 回溯法 分支界限法的解法 及其比较