最少钱币数（动态规划）

最少钱币数问题也可以看作多重背包问题。

此问题递推公式（也可以叫做动态转移方程）：（注:money[i]表示可以使用的纸币的面额组成的数组，dp[m]表示要凑m元至少需要多少张纸币。）

dp[m] = min( dp[ m-money[i] ]+1 , dp[m] )

我们先了解一下DP（Dynamic Programing）的基本原理：首先，找到某个状态的最优解，然后在它的帮助下，找到下一个状态的最优解。不明白这个概念没关系，我们以下面的例子为例来分析一下——如果我们有4种面值分别为1元，3元，5元，7元的纸币，那么至少需要几张纸币就能凑出8元？

在分析这个问题之前先来思考一个问题，至少用多少张纸币能凑够m（表示money）元(m<8)呢？为什么要这么问呢？ 动态规划的思想：（1）当我们遇到一个大问题时，总是习惯把问题的规模变小，这样便于分析讨论。 （2）这个规模变小后的问题和原来的问题是同质的，除了规模变小，其它的都是一样的， 本质上它还是同一个问题(规模变小后的问题其实是原问题的子问题)。

让我们从规模最小的m开始。当m=0时，即我们需要多少个币来凑够0元呢？ 由于1，3，5，7都大于0，即没有比0小的币值，因此凑够0元我们最少需要0个币。 (em…Interesting，这个分析很傻是不是？别着急，这个思路有利于我们理清动态规划究竟在做些什么。) 为了方便我们用dp[m]=c来表示凑够m元最少需要c个硬币。于是我们就得到了dp[0]=0， 表示凑够0元最小需要0个硬币。当m=1时，只有面值为1元的硬币可用， 因此我们拿起一个面值为1的硬币，接下来只需要凑够0元即可，而这个是已经知道的dp[0]=0。所以，dp[1]=dp[1-1]+1=dp[0]+1=0+1=1。当m=2时， 仍然只有面值为1的硬币可用，于是我拿起一个面值为1的硬币， 接下来我只需要再凑够2-1=1元即可(记得要用最小的硬币数量)，而这个答案也已经知道了。 所以dp[2]=dp[2-1]+1=dp[1]+1=1+1=2。分析到这里，聪明的你可能已经看出端倪，没看出来没关系，接下来让我们看看m=3时的情况。当m=3时我们能用的硬币就有两种了：1元的和3元的( 5元的仍然没用，因为你需要凑的数目是3元，5元面值太大了)。 既然能用的硬币有两种，我就有两种方案。如果我拿了一个1元的硬币，我的目标就变为了： 凑够3-1=2元需要的最少硬币数量。即dp[3]=dp[3-1]+1=dp[2]+1=2+1=3。 这个方案说的是，我拿3个1元的硬币；第二种方案是我拿起一个3元的硬币， 我的目标就变成：凑够3-3=0元需要的最少张纸币。即dp[3]=dp[3-3]+1=dp[0]+1=0+1=1. 这个方案说的是，我拿1个3元的硬币。好了，这两种方案哪种更优呢？ 记得我们的问题是要用最少的硬币数量来凑够3元。所以， 选择dp[3]=1，怎么来的呢？具体是这样得到的：dp[3]=min(dp[3-1]+1, dp[3-3]+1)。

简洁的说，对目标金额m，循环整个money数组，每一张货币会有两种结果，第一种货币面额很大，超过m&