题目链接
https://leetcode.com/problems/coin-change-2/
题目描述
给定不同面额的硬币和总金额,计算能够凑成总金额的硬币组合数,假设每种面额的硬币有无数个。
示例
输入:amount = 5,coins = [1,2,5]
输出:4
5 = 5
2 + 2 + 1 = 5
2 + 1 + 1 + 1 = 5
1 + 1 +1 + 1 + 1 = 5
解题思路
这道题目是完全背包问题的变体:对于容量为amount的背包和重量为coins[i]的物品(数量为无数个),有多少种方法可以把背包装满?
在写动态规划算法中的状态转移方程时,labuladong给出了以下几个步骤:
(1)确定base case,写出能直接确定的边缘取值的情况。
(2)确定状态,状态指的是在原问题和子问题中会变化的量。在背包问题里,状态为背包的容量和可以选择的物品。
(3)确定选择,就是导致状态改变的行为。在背包问题里,选择就是“放进背包”和“不放进背包”两种。
(4)确定dp函数或数组的定义。对于当前这个问题,可以用dp[i][j]表示用前i枚硬币,有多少方法可以凑够金额j(用前i个物品,有多少种方法可以把容量为j的背包装满)。
base case为dp[i][0]和dp[0][j],dp[i][0]表示用前i个硬币凑金额0,那么“不用任何硬币”即可,因此dp[i][0] = 1(表示有一种方法)。由于可用硬币为空,那么凑够金额j的方法数应该为0,因此dp[0][j]=0。
接下来可以由底向上更新dp数组,并最后返回dp[n][amount],其中n = len(coins)。
下面考虑根据不同选择(使用或不使用第i个硬币)更新dp[i][j]需要的状态转移方程。
(1)不使用第i个硬币(面值为coins[i-1]),那么凑出来金额j的方法数就应该等于dp[i-1][j],即使用前i-1个硬币来凑齐金额j的方法数
(2)使用第i个硬币(面值为coins[i-1]),那么凑出来金额j的方法数就应该等于dp[i][j-coins[i-1]],即在确定会用一个面值为coins[i-1]的硬币后,就只关注用前i个硬币来凑齐金额j-coins[i-1]的方法数。(因为已经决定要有一个面值为coins[i-1]的硬币加入了)
Python实现
class Solution:
def change(self, amount: int, coins: List[int]) -> int:
#注意开的数组大小 len(coins)+1行,amount+1列
dp = [[0 for _ in range(amount+1)] for _ in range(len(coins)+1)]
dp[0][0] = 1
for i in range(1,len(coins)+1):
#base case
dp[i][0] = 1
for j in range(1,amount+1):
dp[i][j] = dp[i-1][j] + (dp[i][j-coins[i-1]] if j >= coins[i-1] else 0)
return dp[len(coins)][amount]
时间复杂度与空间复杂度
时间复杂度为O(nS),其中n为coins数组长度,S为amount的值。空间复杂度为O(nS)。
优化-状态压缩
通过状态转移方程发现,dp[i][j]的更新只依赖于dp[i-1][j](二维数组中的上一行)和dp[i][j-coins[i-1]](在二维数组中位于dp[i][j]的左侧),我们可以把维度从二维降为一维,由dp[j]表示用前i个硬币凑成金额j的方法,i在外层for循环中被更新。在每次循环中对dp[j]赋值之前,dp[j]的值为在外层for循环中上一次迭代的计算结果,即二维数组中的dp[i-1][j]。因为由amount从小到大的更新顺序决定了dp[j-coins[i]]先更新,dp[j-coins[i]]相当于二维数组中的dp[i][j-coins[i]]。每次迭代更新一维数组dp,相当于是在更新状态压缩前二维数组的每一行。
base case为dp[0] = 1。
令coins = [1,2,5],amout = 5,举例说明计算步骤:
(1)只考虑coins[0],即面值为1的硬币,此时更新dp[0],...dp[amount],也就是仅用面值为1的硬币凑齐金额j的方法数。
(2)新加入coins[1],考虑coins[0]、coins[1]即面值为1、2的硬币,此时继续更新dp[0],...,dp[amount],也就是用面值为1和面值为2的硬币凑齐金额j的方法数。更新方式为dp[j] = dp[j] + dp[j-coins[1]],即(不用coins[1]时凑成金额i的方法数)+(使用coins[1]时凑成金额j-coins[1]的方法数),
(3)考虑coins[0]、coins[1]、coins[2],即把面值为1、2、5的硬币都纳入可选择范围,此时更新dp[0],...,dp[amount],即用面值为1、2、5的硬币凑齐金额j的方法数。最后返回dp[amount]=4即可。
Python实现
class Solution:
def change(self, amount: int, coins: List[int]) -> int:
dp = [0 for _ in range(amount + 1)]
dp[0] = 1
for coin in coins:
for j in range(coin,amount+1):
dp[j] = dp[j] + dp[j-coin]
return dp[amount]
时间复杂度与空间复杂度
时间复杂度为O(nS),其中n为coins数组长度,S为amount的值。空间复杂度为O(S)。
拓展
1、在状态压缩的这个解法中,如果双重循环的顺序调换,即改为第一层循环更新amount,第二层循环遍历coins,那么得到的结果会比正确结果大(对于更新二维数组的初始算法,更改内外层循环顺序对结果没有影响)。
比如coins=[2,5],amount = 7。如果第一层循环是遍历amount,第二层循环遍历coins:
(1)amount = 2时,dp[2] = 1。
(2)amount = 5时,dp[5] = 1。
(3)amount = 7时,遍历到coins[0]=2时,dp[7] = dp[7] + dp[5] = 1,即先加入coins[0],再加入coins[1]。遍历到coins[1] = 5时,dp[7] = dp[7] + dp[2] = 2,即先加入coins[1],再加入coins[0]。
也就是说,循环嵌套顺序改变后,代码会把2+5和5+2当成不同的方案并计数,因此会将同一硬币集合中硬币的不同排列顺序当作不同的方法,从而出现重复。而原问题是一个组合问题,而不是排列问题。
实际上,循环嵌套顺序改变后,dp[j]的意义就发生了改变,即将所有面值的硬币都考虑在内凑齐金额j的方法数,从0到amount会造成路径重复。
2、在一个问题中,结果的排序是否重要会影响动态规划算法中dp数组的定义。
如果排列顺序很重要(和相等,但是元素排列顺序不同就意味着不同的方案),那么dp[i][j]将被定义为选择范围为所有元素但以nums[i]为结尾的元素组,其和为j的方法数,最后返回dp[i][target]的和(将以不同元素为结尾,和为target的方案数相加,会得到所有排列结果)。寻找和为target的方法数时,需要用到和小于target的方法数。
如果排列顺序不重要,那么dp[i][j]将被定义为选择范围为从nums[0]到当前nums[i]范围的元素(nums[i]可选可不选),其和为j的方法数。可选元素的范围不断扩大。最后返回的结果为(包括nums[-1]的方法数)+(不包括nums[-1]的方法数),在选择时仅考虑元素是否存在,因此不会将不同的排列作为不同的方法来计算。在nums[:]元素范围下寻找和为target的方法数,需要用到更小元素范围内的组合结果。
参考
https://labuladong.gitbook.io/algo/dong-tai-gui-hua-xi-lie/bei-bao-lei-xing-wen-ti/bei-bao-ling-qian
https://leetcode-cn.com/problems/coin-change-2/solution/ling-qian-dui-huan-ii-by-leetcode/
https://leetcode.com/problems/coin-change-2/discuss/141076/Unbounded-Knapsack