Diaries Algorithm-零钱兑换

1 换硬币问题

给定任意问题，我们总能找到该问题最简单的案例，针对简单的例子，我们往往能很快得到答案。再考虑难一些的例子，即更常规的例子，我们如何解决呢？显然，我们希望大事化小，小化了，因此，我们首先考虑原问题是否可分为子问题？显然该问题是由子问题amount-1的最优解组成。具备最优子结构性质的问题往往用动态规划解决。此外，另一个十分重要的问题就是如何确定递推表达式，也称为状态转移方程。如何确定状态转移方程呢？
（1）确定状态
该问题中，子问题和原问题的变量是什么呢？
金额
硬币面额
硬币数目：无限多硬币，不影响
（2）确定状态转移函数定义
opt(n)表示凑出金额为n，所需最少的硬币数
（3）如何确定最优
从coins中任意选择一枚硬币，金额数减少，怎么选才能使硬币数目最少？我们将各个选择下所需硬币数求出来，最优决策就是能使硬币数目最少的决策方式。因此我们获取状态转移方程：

// 回溯
int coinChange(vector<int>& coins, int amount){
    if (amount == 0)
    {
        return 0;
    }
    else if (amount < 0)
    {
        return -1;
    }
    else 
    {
        int res = INT16_MAX;
        for (int i = 0;i < coins.size();i++)
        {
            int subp = coinChange(coins,amount - coins[i]);
            if (subp != -1)
            {
                res = min(res,subp +1 );
            }
        }

        if (res == INT16_MAX)
        {
            return -1;
        }else
        {
            return res;
        }
    }
}
//DP 
int coinChange(vector<int> &coins, int amount)
{
    if (amount == 0)
        return 0;
    if (amount < 0)
        return -1;
    vector<int> opt(amount+1, amount+1);
    opt[0] = 0;
    int n = coins.size();
    for (int i = 1; i <= amount; i++)
    {
        for (int j = 0; j < n; j++)
        {
            if ((i - coins[j]) >= 0)
            {
                opt[i] = min(opt[i], opt[i - coins[j]] + 1);  
            }
        }
    }
    if (opt[amount] >= amount + 1)
    {
        return -1;
    }
    return opt[amount];
}

reference:
https://labuladong.gitbook.io/algo/dong-tai-gui-hua-xi-lie/dong-tai-gui-hua-xiang-jie-jin-jie