上一节，我们讨论了01背包问题，说明了*递归与分治法 与 动态规划DP的区别和联系，介绍了缓存的概念*。以下，我们用DC、DP、cache分别表示分治法、动态规划和缓存。本节，我们讨论01背包的另外两种形似—— 完全背包和多重背包问题，分析DP问题的另外一些情况。

例一：完全背包问题

同样有n种价值和重量分别为weight[i] and value[i]， 背包大小W。限制条件：每种物品数目是无限的。问：能挑选出来的总价值最大的物品组合总重量？

分析一：这里，我们无视数量有限这个条件，可以得到下列递归式：
dp[i+1][j] = max{dp[i][j-k*weight[i]] + k*value[i] | k>=0且k*weight[i]<=j}

下面，来实现这个动态规划（留给读者）。很不幸，我们发现这次的时间复杂度变成了三重循环，O(nW^2). 因为，此时将子问题组成原问题，需要的组合数目是W个而不是常数项。

分析二：
对上述递归式进行变形，可以变成dp[i+1][j] = max{dp[i][j], dp[i+1][j-w[i]] + v[i]};这样就可以将时间复杂度从O(nW^2)转化成O(nW).这个变形可以完全用数学化公式来实现，对应的物理意义：从前i+1号物品中选取j重的组合包含两种：1）不包含i+1号物品dp[i][j] 2) 包含至少一个i+1号物品dp[i+1][j-w[i]] + v[i].

优化2：DP数组的重复利用
另外，我们注意到，在在递推关系dp[i+1][j] = max{dp[i][j], dp[i+1][j-w[i]] + v[i]}中，dp[i+1][j]中，计算d[i+1][j]的时候仅仅用到了上一行左侧的数据，所有我们可以对数组进行重复利用，这样能够减少空间上的时间复杂度和程序执行时间（程序具有更好的局部性）：
dp[j] = max(dp[j], dp[j-w[i]] + v[i]);

例二：01背包问题之二

和第一节中同样的背包问题，我们增加如下的限制条件：
1< n< 100
1< wi < 10^7
1< vi < 100
1< W < 10^9
此时，显然O(nW)的算法时间复杂度就不是能够接受的了；此时我们需要对子问题的定义作出变形—— dp[i][j]原来表示前i号物品选取重量不超过j的组合能产生的最大值， 现在dp[i][j]：前i号物选取价值为j的组合占用的最小重量，最后取出dp[n][j]<=W 的最大的j即可。

此时：初始化dp[0][0]=0;dp[0][j]=INF
dp[i+1][j] = min(dp[i][j], dp[i][j – v[i]] + w[i]);

例子三：多重部分和问题

有n种大小不同的数字ai，每种mi个，是否可以从中选取组合，使得它们的和是K
限制条件：
n<100;ai, mi<10^5; K<10^5

分析一：套用完全背包问题
dp[i][j]:前i号数字是否能组成和为j的组合；这样得到递推关系dp[i+1][j] ||= dp[i][j-k*a[i]];
时间复杂度O(nKK);这个时间复杂度并不好；一般来说DP的子问题不应该用来存储bool的结果，这意味着我们损失了更多的信息。
我们仔细来分析一下时间复杂度主要耗费在什么地方，先看没有优化之前的代码
for (i = 0; i < n; ++i){
for (j = 0; j <=K; ++j){
for (k = 0; k < m[i] && k*a[i] <=j ; ++k){
dp[i+1][j] |= dp[i][j-k*a[i]];
}
}
}
分析2：“ 优化成最优子结构”  
显然，for k 部分的循环，直观感觉是有冗余。分类一下，如果能从前i中数字选择出K和，a[i]可能被选取1次以上或者没有被选取
如果a[i]没有被选取，那么意味着dp[i][j]=true;
如果a[i]被选取了1次以上，意味着dp[i+1][j-a[i]]=true;
也就是说，dp[i+1][j]本来是和dp[i][j-k*a[i]]这么多子问题相关的；但是现在被转化成两个子问题dp[i][j] 和dp[i+1][j-a[i]]，是不是很神奇？很显然，在这里，我们通过分治法对子问题进行了合并。
进一步，如果定义dp[i+1][j]:前i种数加和得到j的时候，a[i]剩余的个数，则有
dp[i+1][j]={
m[i]; if(dp[i][j]>=0)
dp[i+1][j-a[i]] -1;(j-a[i]>=0 && dp[i+1][j-a[i]]>=0)
-1;(otherwise)
}
总结：在计数原理中，这种 子问题分类合并的思想和方法非常常用！