看到这个题目我第一反应是点头，因为“判断某题是否该用完全背包”这件事，很多人在初学背包问题的时候，其实不是不会写模板，而是根本认不出“这道题原来是个背包”。我自己带过不少同学，最常听到的一句话就是：“我知道完全背包怎么写，但拿到题就是想不到用它。”这太真实了。你仔细想想，01背包和完全背包，代码就差一个遍历方向，但它们的适用场景和判断逻辑，差别其实非常大。如果不把判断方法讲清楚，刷一百道题也还是只能套模板，换个皮就认不出来了。
这篇文章不打算重复那些到处都能搜到的算法定义，而是想站在“拿到一道题，怎么在五分钟内决定它到底是不是完全背包”这个角度，把判断指标、排除项、模板改造和真实场景串起来讲一遍，适合正在刷动态规划题库、准备机试或面试、以及一切被背包问题绕晕的同学参考。
1. 判断之前，先搞清楚完全背包到底在做什么
1.1 为什么“选不选”和“选几次”是两个完全不同的世界
先把最底层的逻辑说透。动态规划题里所有的背包问题，本质上都是同一种决策模型：给定一个容量，一堆有重量有代价的物品，让你从这堆物品里做出选择，让某种目标最优。01背包和完全背包的区别，表面上看只是“每件物品能不能重复选”，但这个差别带来的建模难度是质的。
01背包的典型状态转移是：
f[j] = max(f[j], f[j - w[i]] + v[i])注意，这里在计算第 i 件物品时，必须倒序遍历容量 j。因为每件物品只能用一次，f[j - w[i]] 必须保证它还是在没有使用第 i 件物品时的状态，如果正序遍历，小的容量 j - w[i] 已经被第 i 件物品更新过了，就会出现“一件物品被用了多次”的效果，这恰好就是完全背包想要的。
所以很多教程会说，“01背包倒序，完全背包正序”，这没错，但如果你只记住了遍历方向，是没法判断一道题归类的。你得从题意本身出发，先问自己一个问题——这道题我拿到的每件物品，允许我重复使用吗？
举个例子。题目说“从一个物品列表中挑出若干件，使总重量恰好等于背包容量，求最大价值”，这种表述，每件物品前面有个“限购一件”的含义，这是01背包。但如果题目变成了“你有若干种面额的硬币，每种面额无限供应，问凑出某个金额最少需要几枚硬币”，那“无限供应”四个字直接指向完全背包。别小看这个区分，很多混淆都从这里开始。
1.2 完全背包的状态定义与递推公式，值得背进肌肉记忆
判断一道题是不是完全背包，光会背公式不够，你得理解公式为什么长那样。完全背包的状态定义通常写作：
dp[j] = max(dp[j], dp[j - weight[i]] + value[i])数组的含义是：容量不超过 j（或恰好为 j，视初始化而定）时能获得的最大价值。
它和01背包的递推公式一模一样，只是在代码实现时，容量维度用正序遍历。正序的意义在于，当我们在算容量 j 时，容量更小的 dp[j - weight[i]] 已经在当前这一轮被更新过了，它代表着“已经使用过这件物品若干次之后”的最优状态，所以还能再加一次当前物品。这个概念如果你没想明白，一会儿刷题就会搞混，而判断题型时恰恰用得上。
然后，不同约束下的完全背包会演化出至少三种状态转移：最大值、最小值、方案数。这三个才是判断时容易出错的重灾区。最大值直接套 max；最小值初始化成无穷大，套 min；方案数则不用比较大小，直接把方法数累加。这就带来一个很好的判断思路——先看题干求的是什么，再决定套哪一类模板。
到这里为止，核心定义已经清楚了。下面重点展开判断指标。
2. 从题干里找“无限取用”的信号：三个判断指标
2.1 指标一：物品数量和每件物品的可用次数
这是最高优先级的指标。读题的时候，圈出所有描述物品供应的句子，重点出现“无限件”“不限量”“每种可重复选择”“每张/每种无限供应”这类字眼，基本可以直接判定完全背包。
我自己习惯的做法是做一个快速标记：把题干里所有关于物品供应的条件列出来。如果题目明确说“每件物品最多用一次”，是01背的范畴；如果说“第 i 种物品最多使用 Ci 次”，那是多重背包；只有当语言环境包含“无限”“任意多次”“数量不限”时，才进入完全背包候选区。
有一种隐蔽情形得多说一句：有些题没有直接在句子里写“无限”，而是通过场景暗示。比如“给定一个正整数数组 nums 和一个目标数 target，求组合成 target 的方案数”，题目没说每个数只能用一次，只是因为组合数学里通常默认可取任意多次。碰到这种只给了“正整数”“组合”“凑成目标”而没有明确次数限制的，要考虑完全背包这一分支。
2.2 指标二：容量为什么会“涨”或者“回退”
这是个很多人没注意但非常实用的判断角度。仔细想想，01背包的容量遍历是从大到小，因为每件物品只允许拿一次，当前容量不能跨过“已拿过当前物品”的状态去叠加。而完全背包的容量遍历从小到大，允许容量递增的过程中反复使用同一件物品。
所以看一道题的容量维变化，也可以反向推出模型。如果状态转移里你需要“多次重复叠加同一物品带来的增量”，比如“每次可以走 1 步或 2 步或 3 步，问走到第 n 级台阶有多少种走法”，这本质上是一个“可重复使用物品”的场景——每次走法可以在不同轮次反复出现，这已经是完全背包风格了。
再比如经典的“零钱兑换”问题：你要凑 amount，硬币面值数组 coin，每次都从同一组面值里面取，可以取任意多次。这里的“容量” amount 会随着一次次取硬币而“回退”（当前总额减去面值），而这个回退后的状态自身已经包含了当前硬币的多次使用信息。这种自我引用的特征，其实就是完全背包容量正序更新的数学镜像。
2.3 指标三：是从上到下还是从下到上的选择方向
这个判断指标可能听起来抽象，但我把它总结为一种思维习惯。你拿到一道完全背包题时，可以想象构造一个物品序列：每一步选择都是在“同一堆物品”里做选取，选取后进入一个新的子问题；而这个子问题面对的物品集合和原来完全一样。这就是“从下到上”的思维——我在处理大容量时，小容量已经用同一套物品尝试过，我的子问题结构是自相似的。
而01背包的经典问题是“物品序列是有序的，i 状态不能再回头使用之前的物品”，哪怕状态转移还是一条公式，它的计算顺序却只能从大到小，因为每一步是在消减物品集合，不是消减可用次数。
我遇到复杂场景时，会自己做一个“代入实验”：假设我现在容量已经用了 k 次同一件物品，下一步还允不允许再用一件？如果题意允许，那么它就是完全背包。如果不允许，那就是01或多重。这个实验能滤掉绝大多数模棱两可的题目。
3. 容易和完全背包混淆的题型，以及各自的判断依据
3.1 01背包与完全背包的边界场景
最典型的边界就是：题目不说“只能用一次”，但其实隐含只能用一次。比如“从 n 件物品中选若干个，每个物品只有一个”，这种一般出现在物理物品上，如装箱问题、资源分配问题。题干里可能写的是“每个物品最多拿一个”，而不是“每个物品只能拿一次”，这时你没注意“个”和“次”的区别，就会误判成完全背包。
还有一种情况是“只能用一次但没说”，比如“数组中的每个数字最多使用一次”，这种限定词必须圈出来，它把无限取用直接否决了。我的判断顺序永远都是：先找次数限制词，再找目标量的方向（最大/最小/方案数），最后再看容量维度的更新方式，三步走完，基本不踩坑。
3.2 顺序敏感的排列问题：爬楼梯类为什么要单独处理
爬楼梯、数字组合的排列数问题，其实是一个“伪完全背包”。表面上看，你有若干种走法，可以无限重复，很像完全背包；但它对顺序极其敏感。走 1 步再走 2 步，和走 2 步再走 1 步，在爬楼梯问题里是两种方案。如果按常规完全背包的组合数写法，只会有一种方案被计入，少了另一条路径。
判断方法很简单：题目问“有多少种排列方式”而不是“有多少种组合方式”。排列问题里，两个步骤的先后顺序不同算不同方案，这时的循环方式通常要外层遍历容量，内层遍历物品，也就是容量在外面、物品种类在里面，这样每个位置都能用所有物品去填，天然处理了顺序问题。而纯组合完全背包，必须外层物品、内层容量，避免排列重复。
所以严格来说，爬楼梯一类依然用的是完全背包式的无限取用模型，但排序方式变了。它不是判断错，而是实现细节上容易写错，后面实战部分会再展开。
3.3 组合数类：为什么必须外层物品内层容量
如果一道题满足无限取用、要求方案数但不关心顺序，那么它就是最标准的一类完全背包方案数问题。典型的例子是“给定若干种面额硬币，不限数量，问有多少种组合方式凑成目标金额”。这里的组合数不区分顺序，1+2 和 2+1 被视作同一种。
实现上有一个铁律：外层先遍历物品，内层再遍历容量，且容量正序。这样每个物品只在它自己的轮次里去更新所有容量，后面换下一个物品的时候，前面物品的影响已经被固定，不会重复计算不同顺序。你要是把循环次序写反了，统计算法数时会把排列和组合混在你的结果里。
这一点也是判断题型的得力工具——题目一旦说了“铁无序不区分顺序”，那么完全背包组合数模板直接下车；如果语气里暗示“先后算不同，步骤顺序有意义”，就得切换成排列写法。平时用这个问题去检验题目，比咬文嚼字要有效得多。
4. 判断完毕之后：完整解题流程与模板改造
4.1 一维数组的完全背包模板，以及正序遍历的理解
一旦你判断出是完全背包，接下来就是把题目翻译成一段靠谱的代码。我写一个最常见的一维完全背包模板（求最大值）：
# dp[j]：容量为 j 时能装下的最大价值 dp = [0] * (capacity + 1) for i in range(len(weights)): for j in range(weights[i], capacity + 1): dp[j] = max(dp[j], dp[j - weights[i]] + values[i]) return dp[capacity]正序遍历就是为了让当前物品可以被重复使用。稍微注意一点：内层循环从 weights[i] 开始，不是从 0 开始，因为比物品重量小的容量根本塞不进这个物品，省去无意义更新。这句代码看着简单，但很多初学者容易把起点写成 0，后面容量循环倒是无所谓，就是慢。
求最小值时，把 dp 初始化成一个比所有可能结果都大的数，例如 float("inf")，dp[0] 保持 0。这样转移时 min 才有得比较，否则全被 0 干扰，整个数组直接废了。求方案数时，dp[0] 初始为 1，表示凑成 0 只有一种方案（什么都不选），其余为 0，更新用加法。
对应到完全背包，这是“组合数版本”的模板：
dp = [0] * (target + 1) dp[0] = 1 for coin in coins: for j in range(coin, target + 1): dp[j] += dp[j - coin] return dp[target]这个代码有一点很容易让人疑惑：内层正序遍历不会导致重复吗？实际上不是重复，是“复用”，这正是完全背包所需的。组合数场景下允许同一面额多次出现，正序遍历能保证这一点。
4.2 场景A：恰好装满求最值时的边界初始化
判断一个题是不是“恰好装满”，就看它的答案状态是否有“恰好”和“不超过”的区别。如果题目说“凑齐目标金额”“铺满背包容量”“刚好达到某个数值”，那 dp[0] 必须设为 0，其他 dp[j] 初始为负无穷（最大值问题）或正无穷（最小值问题）。原因很简单：只有容量 0 是天然“恰好装满”且价值为 0 的合法起点，其他容量本身不可达，必须先标记为无效状态，等后续转移去填充。
如果你不区分“恰好”和“不超过”，直接用 dp[j] = 0 初始化，最后算最大价值时会发现所有容量都像是“可以拼出来”一样，把本不能到达的容量也当成了答案来源，经典翻车。
举个例子。零钱兑换问题，求最少硬币数凑成 amount，dp 数组初始化成 amount+1（一个比最优解更大的占位值），dp[0]=0，最后如果 dp[amount] 仍然是 amount+1，说明凑不出来，返回 -1。这个边界判断，核心一句话：初始化表达的是“从无到有”的有效起点，不能图省事全设 0。
4.3 场景B：容量很大的时候怎么压缩、剪枝、优化
完全背包的二维状态里，容量维度如果特别大（比如 10^9），直接开一维数组都放不下。这时有两个常见出路：第一，如果物品种类少但容量巨大，考虑贪心预处理，比如“尽量多用性价比高的物品”，但要注意贪心只有特定条件下成立，并非通用。第二，如果物品重量范围小，可以用“取模优化”或“单调队列”做多重背包式优化，但完全背包天然不需要二进制拆分这种手段，却仍然可以用一个基础优化——把物品排序并去掉那些“又被别人完全碾压”的差物品。
所谓“碾压”是指：两件物品 a 和 b，如果 a 的重量大于等于 b 的重量，但 a 的价值还小于等于 b 的价值，那 a 就是一个无论如何都不占优的选项，可以删掉。这种去重能显著压缩物品种类，尤其是随机生成数据的题目，效果立竿见影。
另外一个绝大多数刷题人都容易忽视的点是：完全背包最内层循环不一定需要跑到 capacity，你可以按物品重量分组。比如在计数问题里，如果硬币面值之间存在公因数，可以先除以最大公约数，把容量和面值都缩小，大幅减少数组长度。这个思路在笔试里特别实用，能救几个超时的题。
5. 实战对照：几道经典题型像“病例分析”一样拆给你看
5.1 病例一：硬币找零类
题干通常长这样：“有各种面额的硬币，每种数量无限，问凑成目标金额所需的最少硬币数。”看到“无限”两个字，标准完全背包判断成功。目标量是最小值，所以模板走 min 路线。
实际操作的时候，我会把这个题拆成三个字：面（面额）、值（金额）、度（硬币数量）。dp[j] 表示金额 j 的最优硬币数，转移就是 dp[j] = min(dp[j], dp[j - coin] + 1)。因为每选择一枚硬币，相当于使用一次物品，价值是 1。这里硬币是“物品”，但价值不是硬币的金额，而是“枚数”，这也是判断时的一个坑——很多初学者会误把硬币面额当作价值，那就全乱套了。
5.2 病例二：无限供应的组合计数
“从给定数组中选出若干数字（可重复），使它们的和等于 target，求组合方案数。”这种题如果不区分顺序，就是纯完全背包的组合数版本。进入代码前建议先给“数字排序”这一步加上，因为物品正序遍历时，如果数组无序，不会出错，但你要是心血来潮加了个剪枝或者提前返回，排序能让你少很多边界思考。
实现时外层遍历物品，内层正序遍历容量。有一个极其常见的错误：把循环顺序写成外层容量、内层物品，跑出来结果变成了排列数。笔试里看不到具体样例时，这个错误很小，藏在结果差异里，非常容易忽略。我的经验是，如果提交后发现组合数比答案大好几倍，先检查循环顺序，多半就是这里出了问题。
5.3 病例三：带顺序的完全背包
带顺序的典型场景就是爬楼梯变体：“每次可以爬 1、2 或 3 个台阶，问爬到 n 级台阶有多少种爬法。”数字不一定连续，这就是一个顺序敏感的完全背包排列问题。
这题的循环方式恰好与组合数相反：外层循环容量（台阶数），内层循环物品种类（步长）。因为每到一个容量位置，它前面所有可能的最后一步都来自同一个物品种类池，并且顺序不同被天然区分。这个细节对初学者的冲击最大，因为如果不理解“完全背包不关心顺序”，你会一直疑惑为什么同一个背包问题，两段代码长得截然不同。
我把这三个病例放在一起对比，你要记住的其实是：完全背包只是“无限取用”这个大框架，在这个框架下，最大值、最小值、计数、组合、排列各是一套不同的实现细节。判断题型只是第一步，紧跟着要判断的还有目标量的属性和顺序敏感性，这样才真正做到精确解题。
6. 我在实操中判断错的那些题，最后都错在哪
最后说几个我自己甚至带过的同学反复踩的坑，都是从实战中总结出来的，比任何理论都值得留意。
第一个坑是“误把多重背包当完全背包”。有些题文中没有明确写限量，但本质上每件物品有固定数量上限，比如“每种零件最多库存 5 个”，这时候完全背包纯属送死。我自己现在读完题第一件事不是想状态转移，而是先数一数题干里出现多少次“每”字修饰次数。凡是有次数上限的，一律先去多重背包部分做判断。
第二个坑是过度依赖“正整数”三个字。不少题只给正整数数组，很多教程也默认正整数就能用完全背包，但实际上有些题暗含“每个元素只能使用一次”的约束，比如“从数组中选若干元素，每个只能用一次，求是否能凑成目标值”。你如果只看到正整数、目标和、凑成，就开开心心写了完全背包，结果一堆重复使用导致的错误答案。我自己的铁律是：题目没说“可重复”，那就先按只能用一次来做假设，再看有没有反证。
第三个坑是求方案数时初始化全设 0。dp[0] 的 1 是全部方案数的种子，漏掉这个 1，整棵计数树直接没有根。如果你发现答案少得离谱，或者输出全是 0，十有八九是 dp[0] 初始值错了。别笑，这个真的特别常见，尤其是从求最大值模板临时改成求方案数时，很容易忘了把 dp[0] 从 0 改成 1。
第四个坑是“完全背包不排序也能做”的错误认知。在一些组合计数题中，给硬币排序不是必需的，但如果你后续做了剪枝或提前终止，为了保证正确性，还是建议先排序。我做这类题已经形成肌肉记忆：拿起硬币数组，先 sort 一遍，排序不会改变答案，但会降低你思维负担。
还有一个思考习惯想分享：当你判断“这题是不是完全背包”犹豫不决时，试着把题目里的状态定义写成一句话，写在草稿纸上。比如“我可以无限次从 A 类物品里选取，去填满容量 B，求……”如果这句话读起来通顺自然，那完全背包基本没错。如果句子读起来不像“无限次”，反而像“每个东西碰一次”，赶紧掉头。这个方法听上去笨，但比一眼看穿所有套路更适合真实考试环境，因为考试写题的时候，你的大脑需要的是一个快速、无歧义、可复用的决策模型。
完全背包的判断，说白了就是抓住“无限重复使用”这个核心标签，然后再通过目标方向和顺序敏感度去选模板。做题多了你会发现，真正的难点从来不是把模板写出来，而是拿到新题能准确判断它属于哪个模板家族。希望大家从这篇分享开始，多做一些“题目分类训练”：别一上来就敲代码，先花三十秒判断这是哪一类背包、要不要处理顺序、边界怎么初始化。练上二三十道以后，你会在拿到题的一瞬间就有直觉，那才是真学会。
