大名鼎鼎的“背包问题”我不敢企及去探讨，最近初学，感觉背包及相关问题真乃博大精深，于是把自己初学的体会写下来，帮助那些跟我一样也许暂时还没有思路的人。本文的核心算法都是动态规划。
【问题】
与背包问题近似的经典动态规划题目有（附相应的wiki条目）：
背包问题（knapsack problem）http://en.wikipedia.org/wiki/Knapsack_problem
找零问题（coin changing/change making）http://en.wikipedia.org/wiki/Change-making_problem
子集和问题（subset sum）http://en.wikipedia.org/wiki/Subset_sum
子集分割问题（subset partition problem）http://en.wikipedia.org/wiki/Partition_problem
编辑距离（edit distance/levenshtein distance）http://en.wikipedia.org/wiki/Edit_distance
换行/段落调整问题（line breaking/word wrap）http://en.wikipedia.org/wiki/Word_wrap
【动态规划与回溯】
另外，本文中都是采用了动态规划的思想解决这些问题。由于动态规划和回溯法之间往往是可以转化的（都有状态空间），关于其中一个问题“子集和问题”的回溯法解决详见这里：
http://hi.baidu.com/microgrape/blog/item/c78fa7f41057b22fbd310938.html
【0/1背包】
本文所说的两种背包问题是0/1背包（0-1 knapsack）和无限背包问题（unbounded knapsack，又叫完全背包Complete knapsack）。下面分别说明。
先说简单的0/1背包。举个实际的例子，我们在出远门旅行的时候，常常会犹豫再三：我们的背包容量是有限的，怎么才能带上我们旅途中最需要的东西呢？转化成抽象的语言就是：一个给定容量N的背包和一堆物品的集合，每个物品Xi有两个属性：价值Vi和大小Ci，如何才能使背包中所装物品的价值最大？
贪心算法在这种情况下是不能使用的，即取当前价值最大的物体放入背包是无法实现最优的。举一个简单的反例：假设一个物体A的大小恰好是N，但是价值是10；如果此时还有两个物体B和C的大小分别是N/2，但是价值分别是7，那么显然将BC放入背包要优于只放A，但贪心算法会选择A。也就是贪心的决策是不可行的。
那应该用什么样的决策呢？首先来进行动态规划的基本工作：“划分状态”。假设当前状态为：容量为j的背包里装了i件东西，其最大价值为Value[i,j]。然后进行动态规划的另一个基本工作：“状态转移”，由于第i件物品我们只有两种选择（选择或者不选），也就是状态转移的可能只有两种。那么它的前一个状态有可能是以下的两种（逆推回去）：
a）第i件并没有装进包里。因为可能装第i-1件物品之后，包里已经满了，不能再装了，那么前一状态其价值为Value[i-1,j]。
b）第i件放进包里。那怎么表示第i件东西放进包里了呢？说明在放第i件之前，也就是说包里有i-1件物品的时候，包内物品的体积最多只能达到了j-Ci（Ci是第i件物品的体积，要把这个预留出来给第i件物品）。也就是说之前的一个状态就是Value[i-1,j-Ci]。对应的现在的状态就是：装上第i件物品之后包内物品价值变成了Value[i-1,j-Ci]+Vi（Vi是第i件物品的价值）。
那既然有这两种可能，我们到底该选哪种呢？决策就是：哪个价值大，我们就选哪个，所以最后的递推关系式就是：
Value[i,j] = max { Value[i-1,j], Value[i-1,j-Ci]+Vi }
附注：虽然状态j应该是以1为间隔的，但是由于物品的体积实际上并不是一定以1为间隔的，所以j的状态转移并不连续。
【无限背包】
无限背包与0/1背包的区别就是：0/1背包中每种物品就只有1件，从第i-1件到第i件只有两种可能（第i件东西放与不放）；但无限背包中，每件物品都有无数件，但是这并不是意味着每次都有无数种选择，实际上这意味着从第i-1件到第i件时，需要选择到底放哪件，也就是说只有i种选择。由于有i种选择，那么可能就有i种的状态转移，对应的前一个状态也就有i种。都是哪i种呢？经过与上面0/1背包的比较之后就发现需要修改上面的情况b），其中的第i件物品可以是物品集合中的任意一个（当然不能大于背包容量），如下：
情况b）若选择了体积为C0，价值为V0的物品，即当前状态是从Value[i-1,j-C0]状态转移而来，当前状态是Value[i-1,j-C0]；若选择了体积为C1，价值为V1的物品，则对应的当前状态为Value[i-1,j-C1]。。。以此类推。最后从这些当中选择最大的即可。
综上，最后的解的形式为：
Value[i,j] = max{ Value[i-1,j], max{ Value[i-1,j-Ci]+Vi } } 。其中Ci<=j，0<=i<=N（即所有物品中选）
附注：由于在这个递推关系式中，i只是一个循环变量（因为每一步面临的选择都一样），所以可以写成以下的版本：
Value[j] = max{ Value[j-1], max{ Value[j-Ci]+Vi } } 。其中Ci<=j，0<=i<=N（即所有物品中选）
【找零问题】
找零问题是给出一种硬币的集合，例如{1分，2分，5分，1毛，。。。}，然后给定一个需要找零的数额，例如3毛7分；求出找回硬币数目最少的方案。
这个问题在大多数情况下，贪心是可行的。但是并不是所有的情况都符合。所以还是用动态规划来解，归结到动态规划上面就变成了无限背包问题（因为收银台的硬币默认是无穷的，但一种改进版本可以考察有限硬币的情况）。区别在于，现在我们需要求一个最少的硬币数而不是最大值。但是选择的情况也是相同的，即每次选择都可以选择任何一种硬币。
分析：详尽分析请看“参考资料”中的那份英文教程。我这里仅作简单引用，设p为需要找零的数额，Coins[p]为所需要的最少硬币数（即最优解）。假设从p中除去任意一枚硬币Ci，那么剩下的解Coins[p-Ci]必然还是一个最优解（当需要找零的面值为p-Ci时的最优解），很显然Coins[p] = Coins[p-Ci]+1。但问题是除去的这一枚硬币Ci必须是最优解中的一个，但我们怎么找到这样的Ci呢？答案跟上面的无穷背包一样，尝试所有的选择，选择其中产生最小值的那个决策。
最后的递推式为：Coins[p] = min{ Coins[p-Ci]+1 }，其中0<=i<=N，N为硬币的种类数。
【参考资料】
“背包问题九讲”--这个也是Cui Tianyi大牛的经典：http://xxjs.kmip.net/pack/
下面是此牛牛的blog：http://cuitianyi.com/
这里有一篇不错的分析（但是略微潦草）：http://blog.csdn.net/hhygcy/archive/2009/03/04/3955683.aspx
动态规划的基本模型：http://daothree.blog.hexun.com/13126729_d.html
找零问题的一份JAVA代码：http://www.javaeye.com/topic/320498
找零问题的一份英文详细分析：http://www.ccs.neu.edu/home/jaa/CSG713.04F/Information/Handouts/dyn_prog.pdf （看完之后觉得，老外的思路真是严谨，讲这么一个问题都很清晰认真）
【结语】
发现自己水平就只能到这里了。。。再多一句都写不出来。。。sigh
