322. 零钱兑换
一、题目
给你一个整数数组 coins
,表示不同面额的硬币;以及一个整数 amount
,表示总金额。
计算并返回可以凑成总金额所需的 最少的硬币个数 。如果没有任何一种硬币组合能组成总金额,返回 -1
。
你可以认为每种硬币的数量是无限的。
示例 1:
输入:coins = [1, 2, 5], amount = 11
输出:3
解释:11 = 5 + 5 + 1
示例 2:
输入:coins = [2], amount = 3
输出:-1
示例 3:
输入:coins = [1], amount = 0
输出:0
提示:
1 <= coins.length <= 12
1 <= coins[i] <= 231 - 1
0 <= amount <= 104
二、题解
方法一:完全背包二维数组
这个问题可以看作是一个完全背包问题的变形,即每种硬币的数量是无限的,而不是有限的。
-
算法思路:
-
首先,我们要定义一个二维数组
dp
,其中dp[i][j]
表示用前i+1
种硬币(即coins[0]
到coins[i]
)凑成金额j
所需的最少硬币个数。 -
然后,我们要初始化
dp
数组,对于第一种硬币coins[0]
,我们只需要看金额j
是否能被它整除,如果能,那么dp[0][j] = j / coins[0]
,否则dp[0][j] = INT_MAX
(表示无法凑成)。 -
接下来,我们要逐行更新
dp
数组,对于第i+1
种硬币coins[i]
,我们有两种选择:使用它或者不使用它。如果不使用它,那么dp[i][j] = dp[i-1][j]
,即和前i
种硬币的结果一样;如果使用它,那么我们要保证金额j
大于等于硬币面额coins[i]
,并且减去这个面额后的金额能够被前i+1
种硬币凑成,即dp[i][j-coins[i]] != INT_MAX
,那么dp[i][j] = dp[i][j-coins[i]] + 1
,即在减去这个面额后的结果上加一。我们要在这两种选择中取最小值,即dp[i][j] = min(dp[i-1][j], dp[i][j-coins[i]] + 1)
。 -
最后,我们要返回
dp[coins.size() - 1][amount]
,即用所有种类的硬币凑成总金额所需的最少硬币个数。如果这个值等于INT_MAX
,说明无法凑成,返回-1
;否则返回这个值。
-
-
具体实现:
-
可以用一个嵌套的循环来实现上述算法思路,外层循环遍历硬币种类,内层循环遍历金额。每次更新
dp[i][j]
时,先赋值为不使用当前硬币的结果,然后判断是否可以使用当前硬币,并更新为最小值。 -
我们还需要注意一些边界情况,比如当金额为零时,返回零;当硬币数组为空时,返回
-1
。
class Solution { public: int coinChange(vector<int>& coins, int amount) { if (amount == 0) return 0; vector<vector<int>> dp(coins.size(), vector<int>(amount + 1, INT_MAX)); // 初始化 for (int i = 0; i <= amount; i++) { if (i % coins[0] == 0) { dp[0][i] = i / coins[0]; } } for (int i = 1; i < coins.size(); i++) { for (int j = 0; j <= amount; j++) { dp[i][j] = dp[i - 1][j]; if (j >= coins[i] && dp[i][j - coins[i]]!=INT_MAX) { dp[i][j] = min(dp[i][j], dp[i][j - coins[i]] + 1); } } } return dp[coins.size() - 1][amount] == INT_MAX? -1 : dp[coins.size() - 1][amount]; } };
-
-
算法分析:
-
时间复杂度:O(N*M),其中 N 是硬币种类数,M 是总金额。我们需要遍历所有的硬币和金额组合,每次更新一个状态值。
-
空间复杂度:O(N*M),其中 N 是硬币种类数,M 是总金额。需要一个二维数组来存储所有的状态值。
-
方法二:一维数组
算法思路和具体实现和上面的二维数组差不多,不过我也copy了一下~
-
算法思路:
- 首先,我们定义一个一维数组
dp
,其中dp[j]
表示凑成金额j
所需的最少硬币个数。 - 然后,我们初始化
dp
数组,对于金额为零的情况,我们不需要任何硬币,所以dp[0] = 0
。对于其他金额,我们先设为一个很大的数,比如INT_MAX
,表示无法凑成。 - 接下来,我们遍历每种硬币
coins[i]
,对于每种硬币,我们从小到大遍历金额j
,如果j >= coins[i]
,说明我们可以用这种硬币来凑成金额j
,那么我们就比较使用这种硬币和不使用这种硬币的结果,取最小值,即dp[j] = min(dp[j], dp[j - coins[i]] + 1)
。注意这里和 01 背包问题的区别,01 背包问题中只能用一次每种物品,所以要从大到小遍历金额,避免重复使用;而完全背包问题中可以用无限次每种物品,所以要从小到大遍历金额,允许重复使用。 - 最后,我们返回
dp[amount]
,即凑成总金额所需的最少硬币个数。如果这个值等于INT_MAX
,说明无法凑成,返回-1
;否则返回这个值。
- 首先,我们定义一个一维数组
-
具体实现:
- 这个代码和上一个代码的区别在于,它只用了一个一维数组来存储状态值,而不是一个二维数组。这样做的原因是,对于每种硬币,我们只需要知道上一行的状态值就可以更新当前行的状态值,所以我们可以用一个一维数组来代替二维数组,节省空间。
- 我们可以用一个嵌套的循环来实现上述算法思路,外层循环遍历硬币种类,内层循环遍历金额。每次更新
dp[j]
时,先判断是否可以使用当前硬币,并更新为最小值。 - 我们还需要注意一些边界情况,比如当金额为零时,返回零;当硬币数组为空时,返回
-1
。
class Solution { public: int coinChange(vector<int>& coins, int amount) { vector<int> dp(amount + 1, INT_MAX); dp[0] = 0; for (int i = 0; i < coins.size(); i++) { for (int j = 0; j <= amount; j++) { if (j >= coins[i] && dp[j - coins[i]]!=INT_MAX) { dp[j] = min(dp[j], dp[j - coins[i]] + 1); } } } return dp[amount] == INT_MAX? -1 : dp[amount]; } };
-
算法分析:
- 时间复杂度:O(N*M),其中 N 是硬币种类数,M 是总金额。我们需要遍历所有的硬币和金额组合,每次更新一个状态值。
- 空间复杂度:O(M),其中 M 是总金额。我们只需要一个一维数组来存储状态值。
三、注意
这道题不在乎硬币是排列还是组合,是因为我们只关心最少的硬币个数,而不关心硬币的顺序。换句话说,我们只要找到一种硬币组合,使得它的总金额等于目标金额,并且硬币个数最少,那么这种组合就是最优解,无论它的硬币顺序如何。例如,如果目标金额是 11 ,硬币面额是 [1, 2, 5] ,那么无论是 [5, 5, 1] 还是 [1, 5, 5] ,都是最优解,因为它们都只用了 3 个硬币。所以,不需要考虑排列和组合的区别,只需要考虑状态转移的逻辑。