build

chapter_dynamic_programming/knapsack_problem.md

@@ -35,8 +35,8 @@ status: new
 
 当我们做出物品 $i$ 的决策后，剩余的是前 $i-1$ 个物品的决策。因此，状态转移分为两种情况：
 
-- **不放入物品 $i$** ：背包容量不变，状态转移至 $[i-1, c]$ ；
-- **放入物品 $i$** ：背包容量减小 $wgt[i-1]$ ，价值增加 $val[i-1]$ ，状态转移至 $[i-1, c-wgt[i-1]]$ ；
+- **不放入物品 $i$** ：背包容量不变，状态转移至 $[i-1, c]$ 。
+- **放入物品 $i$** ：背包容量减小 $wgt[i-1]$ ，价值增加 $val[i-1]$ ，状态转移至 $[i-1, c-wgt[i-1]]$ 。
 
 上述的状态转移向我们揭示了本题的最优子结构：**最大价值 $dp[i, c]$ 等于不放入物品 $i$ 和放入物品 $i$ 两种方案中的价值更大的那一个**。由此可推出状态转移方程：
 
@@ -58,10 +58,10 @@ $$
 
 搜索代码包含以下要素：
 
-- **递归参数**：状态 $[i, c]$ ；
-- **返回值**：子问题的解 $dp[i, c]$ ；
-- **终止条件**：当物品编号越界 $i = 0$ 或背包剩余容量为 $0$ 时，终止递归并返回价值 $0$ ；
-- **剪枝**：若当前物品重量超出背包剩余容量，则只能不放入背包；
+- **递归参数**：状态 $[i, c]$ 。
+- **返回值**：子问题的解 $dp[i, c]$ 。
+- **终止条件**：当物品编号越界 $i = 0$ 或背包剩余容量为 $0$ 时，终止递归并返回价值 $0$ 。
+- **剪枝**：若当前物品重量超出背包剩余容量，则只能不放入背包。
 
 === "Java"