动态规划法求解0-1背包问题（python实现）

实验内容

给定几组数据，利用动态规划算法的思想，把 0-1 背包装满并使得其价值最 大。

实验原理

动态规划通过拆分问题，将问题拆分成许多的子问题，定义问题状态和状态之间的关系（即状态转移方程或递推公式），使得问题能够以递推（或者说分治） 的方式去解决。按顺序求解子问题，前一子问题的解，为后一子问题的求解提供了有用的信息，在求解任一子问题时，列出各种可能的局部解，通过决策保留那些有可能达到最优的局部解，丢弃其他局部解。依次解决各子问题，那么最后一个子问题就是初始问题的解。

实验步骤

① 把问题分解成若干个子问题，如背包仅可以容纳 1 个物品且可以容纳的质量为一等。
② 依次求出各个子问题的最优解。
③ 每个子问题的最优解又可以从它的子问题的最优解中得到。
④ 通过各个子问题的最优解得到原问题的最优解

代码实现

backpack函数：
weight 表示背包能容纳的商品最大重量，number 表示商品数量，w 数组和 v 数组表示每件商品的重量以及对应的价值。首先初始化二维数组为 0，最后循环将数组中的每个元素进行填充：如果当前背包可容纳的重量小于当前商品的重量，那么背包中的总价值不会变化，否则，可以选择装下当前这件物品或者不装下这件物品，这就可以得到两个价值，那么其中最高的价值就是当前情况下背包能获得的最大价值。
main 函数中最后的两个for循环（用于找到选择的物品）：
首先初始化一个 item 数组并全初始化为 0，然后循环遍历动态规划得到的数组，如果 result[i][j] > result[i-1][j]，那么说明第 i-1 件物品肯定被选择了，那么 就将 item[i-1]设置为 1，循环结束后将 item 中为 1 的索引输出即可。

import time

def backpack(number, weight, w, v):
    #初始化二维数组，用于记录背包中个数为i，重量为j时能获得的最大价值
    result = [[0 for i in range(weight+1)] for i in range(number+1)]
    #循环将数组进行填充
    for i in