第五题·这是一个古老而又经典的问题。用给定的几种钱币凑成某个钱数，一般而言有多种方式。例如：给定了6种钱币面值为2、5、10、20、50、100，用来凑15元，可以用5个2元、1个5元，或者3个5元

·这是一个古老而又经典的问题。用给定的几种钱币凑成某个钱数，一般而言有多种方式。例如：给定了6种钱币面值为2、5、10、20、50、100，用来凑15元，可以用5个2元、1个5元，或者3个5元，或者1个5元、1个10元，等等。显然，最少需要2个钱币才能凑成15元。你的任务就是，给定若干个互不相同的钱币面值，编程计算，最少需要多少个钱币才能凑成某个给出的钱数。
【Input】
测试用例的第一行是待凑的钱数值M(1<=M<=2000，整数，接着的一行中，第一个整数K(1<=K<=10)表示币种个数，随后是K个互不相同的钱币面值Ki(1<=Ki<=1000)。
【Output】
测试用例输出一行，即凑成钱数值M最少需要的钱币个数。如果凑钱失败，输出“Impossible”。你可以假设，每种待凑钱币的数量是无限多的。
o 【样例输入1】
·15
• 6 2 5 10 20 50 100
【样例输出1】
·2
. 【样例输入2】
·1
·12
· 【样例输出】
·Impossible

#include<stdio.h>
int main(){
	int money,k,r=0;
	
	scanf("%d",&money);
	if(money>2000||money<1)
	return 0;
	scanf("%d",&k);
	if(k>10||k<1)
	return 0;
	int a[10]; 
	for(int i=0;i<k;i++){
		scanf("%d",&a[i]);
		if(a[i]>1000||a[i]<1)
	return 0;
	}
		int dp[money+1];
		dp[0]=0;
	 for(int i = 1; i <= money; i++) dp[i] = 99999; //初始化数组dp[],设置dp[i]等于无穷大

        for(int i = 1; i <= money; i++)  //从凑1元开始，一直算到money元为止。
        {
            for(int j = 0; j < k; j++)
            {
               
                if(i >= a[j] && dp[i - a[j]] + 1 < dp[i])
                {
                    dp[i] = dp[i- a[j] ] + 1;
                }
                 
            }
        }
        if( dp[money] == 99999 )
        {
            printf("Impossible");
        }
        else
        {
           printf("%d ",dp[money]);
        }


    return 0;
} 

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，我们以上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)。

有了上面的分析，这回应该能看出个门道了吧，你可能早已按奈不住了，现在我们就可以从以上分析抽象出我们想要的东西了——递推公式。从以上的文字中， 我们要抽出动态规划里非常重要的两个概念：状态和状态转移方程。

上文中dp[m]表示凑够m元需要的最少硬币数量，我们将它定义为该问题的"状态"， 这个状态是怎么找出来的呢？是根据子问题定义状态。你找到子问题，状态也就浮出水面了。 最终我们要求解的问题，可以用这个状态来表示：dp[8]，即凑够8元最少需要多少个硬币。 那状态转移方程是什么呢？既然我们用dp[m]表示状态，那么状态转移方程自然包含dp[m]， 上文中包含状态 dp[m] 的方程是：dp[3]=min(dp[3-1]+1, dp[3-3]+1)。没错， 它就是状态转移方程，描述状态之间是如何转移的。当然，我们要对它抽象一下，dp[m] = min(dp[ m-v[i] ]+1,dp[m])，其中 m-v[i] >=0，v[i] 表示第i个硬币的面值，方程的含义是拿出一个面值为 v[i] 的硬币后，凑够 m-v[i] 元至少需要的硬币数目（dp[m-v[i] ]）+1和凑够m元至少需要的硬币数目（dp[m]）相比较，取较小的存入dp[m]。

这里可能就会有人问了，为什么还要和dp[m]比较后再存入dp[m]，正如上面的例子，因为我们在凑够m元时，可能有多种可行的方案，我们要比较出哪一种方案所需硬币数目最小。例如在4种硬币1、3、5、7元凑8元的时候会有三种方案，1）8个1元；2）3+5元；3）1+7元。我们得从中找到我们所要的答案。（如果用贪心算法的话可能会错过最优解）

输入

10

2   2   5