0/1背包问题
经典的NP难组合优化问题，要求在容量约束下从物品集合中选择子集最大化总价值。
时间轴 (近 90 天)
0/1背包问题是计算机科学中最经典的NP难问题之一：给定一组物品，每个物品有重量和价值，在背包容量限制下选择物品使总价值最大。
有一项目展示如何将离散选择问题转化为可微的连续松弛形式，利用PyTorch的自动微分和梯度下降来寻找近似解。
标准的0/1背包问题要求决策变量 x_i ∈ {0,1}，直接对离散变量求梯度不可行，常见做法是松弛为连续变量 x_i ∈ [0,1]，此时问题变为线性规划。
对于0/1背包，线性松弛后的解通常呈现为若干变量取分数值，需要额外的取整（rounding）步骤才能得到可行解，而取整会带来精度损失。
用PyTorch求解背包问题的价值在于需要端到端学习的场景：例如当物品价值或约束本身来自一个神经网络预测时，可以将背包求解器作为可微层嵌入，实现联合训练。
梯度方法通常只能找到松弛问题的局部最优，取整后不一定是最优0/1解。
全部知识事实 (6)
0/1背包问题是计算机科学中最经典的NP难问题之一：给定一组物品，每个物品有重量和价值，在背包容量限制下选择物品使总价值最大。
50%待验证有一项目展示如何将离散选择问题转化为可微的连续松弛形式，利用PyTorch的自动微分和梯度下降来寻找近似解。
50%待验证标准的0/1背包问题要求决策变量 x_i ∈ {0,1}，直接对离散变量求梯度不可行，常见做法是松弛为连续变量 x_i ∈ [0,1]，此时问题变为线性规划。
50%待验证对于0/1背包，线性松弛后的解通常呈现为若干变量取分数值，需要额外的取整（rounding）步骤才能得到可行解，而取整会带来精度损失。
50%待验证用PyTorch求解背包问题的价值在于需要端到端学习的场景：例如当物品价值或约束本身来自一个神经网络预测时，可以将背包求解器作为可微层嵌入，实现联合训练。
50%待验证梯度方法通常只能找到松弛问题的局部最优，取整后不一定是最优0/1解。
50%