动态规划算法详解

什么是动态规划算法？

动态规划（Dynamic Programming，DP）是运筹学的一个分支，是求解决策过程最优化的过程。20世纪50年代初，美国数学家贝尔曼（R.Bellman）等人在研究多阶段决策过程的优化问题时，提出了著名的最优化原理，从而创立了动态规划。动态规划的应用极其广泛，包括工程技术、经济、工业生产、军事以及自动化控制等领域，并在背包问题、生产经营问题、资金管理问题、资源分配问题、最短路径问题和复杂系统可靠性问题等中取得了显著的效果。

基本思想

动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可行解。每一个解都对应于一个值，我们希望找到具有最优值的解。动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。这就是动态规划法的基本思路。具体的动态规划算法多种多样，但它们具有相同的填表格式。

动态规划算法介绍

1）动态规划（Dynamic Programming）算法的核心思想是：将大问题划分为小问题进行解决，从而一步步获取最优解的处理算法

2）动态规划算法与分治算法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。

3）与分治法不同的是，适合于用动态规划求解的问题，经分解得到的子问题往往不是互相独立的。（即下一个子阶段的求解是建立在上一个子阶段的解的基础上，

进行进一步的求解）

4）动态规划可以通过填表的方式来逐步推进，得到最优解。

下面举个例子：
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

代码示例：

package com.common.utils;

/**
 * @ClassName CoinChange
 * @Description:  动态规划算法，用java解决零钱兑换问题
 * 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。
 * @Author: mischen
 * @date: 19:57 2022/12/1
 * @Version 1.0
 */
public class CoinChange {

    public static void main(String[] args) {
        int[] coins = {1,2,5};
        int M = 11;
        int i = coinChage(coins, M);
        System.out.println(i);
        int[] coins1 = {2};
        int t = coinChage(coins1, 3);
        System.out.println(t);
    }
    /**
     *
     * @param coins 代表硬币的种类
     * @param M 代表拼凑的值 11
     * @return
     */
    public static int coinChage(int[] coins, int M) {
        int[] f = new int[M + 1];
        //number of kinds of coins
        int n = coins.length;
        //initialization
        f[0] = 0;
        for (int i = 1; i <= M; i++  ){
            f[i] = Integer.MAX_VALUE;
            //f[X]=min{f[X-2]+1,f[X-5]+1,f[X-7]+1}
            for (int j = 0; j < n; j++) {
                if (i >= coins[j] && f[i-coins[j]] != Integer.MAX_VALUE) {
                    f[i] = Math.min(f[i-coins[j]] + 1, f[i]);
                }
            }
        }

        if (f[M] == Integer.MAX_VALUE) {
            return -1;
        }

        return f[M];

    }
}