1068 Find More Coins
1.回溯法
将数据从小到大进行排序，然后依次考虑有各个物品的情况，逻辑如图，是一个深度遍历该树的过程。（左分支为选取某个物品，右分支为不选取）
这种方法效率低，尤其是在没有答案的时候，要遍历完整棵树才能得到结果，最差时间复杂度为O(2^n)。
2.动态规划
本题也可以理解为01背包问题（背包容量就是要求的数总和，物品个数就是数的个数，每件物品价值等于物品重量，所以背包价值等于背包重量），用动态规划解决。而在使用动态规划解题，有如下几个注意的点：
1）f [m][n]的求解
在01背包问题，设背包容量为9，物品总数为8,各物品总量为 w[i] 。约定一个数组f[8+1][9+1]，数组f[m][n]存放对于前m个物品，背包容量为n时物品总价值的最大值。f[m][n] = max { f[m-1][n],f[m-1][n-w[i]] }，我们目标是求 f[8][9] (下标从1开始），根据递推公式很容易就有了自顶向下的求法，如下图。
这种方法没有缩小时间复杂度还是O(2^n)，但是如果换个思路，自底向上，如图。
| (1,1) | (1,2) | (1,3) | … | (1,9) |
|---|---|---|---|---|
| (2,1) | (2,2) | (2,3) | … | (2,9) |
| (3,1) | (3,2) | (3,3) | … | (3,9) |
| … | … | … | … | … |
| … | … | … | … | … |
| (8,1) | (8,2) | (8,3) | … | (8,9) |
从第一行出发从左到右，从下至下求得整个数组，或者从列出发也是可以的，从而实现将时间复杂度缩小到O(m*n)。
2）进一步得缩小空间复杂度
前面我们使用二维数组 f[m][n] 来保存信息，实际上还可以压缩成一维数组。
我们观察可以发现，求取数组中某个位置的值，只和前一层数据有关（不是这一层，不是前两层，前三层等等，仅仅前一层）。所以我们依旧是从上到下求解这个数组，但是每层从后往前求。
假如，设数组 g[9+1]，求解原来的 f[2][9]，放置于 g[9]。f[2][9]仅需要 f[1][1-8]
，而g[1-8]刚好存放的就是这些值。这就是为什么每层倒序求的原因，能保证所求位置前面的数据都是上层数据，而求取的时候也只使用到该位置以前的数据。
2）是否有解，以及求取最小解
求取出了g[n]，如果 g[n]==n 那么就是有解，否则无解。
而关于最小解，首先，我们需要将所有物品（数字）倒序排列。其次，我们需要设置一个 初值均为 false 的choose[m][n] 数组。如果遍历到物品 i，重量 j 时，g[j]更新了，那么 choose[i][j]=true，即可以理解为对于重量 j的所有解，物品 i 可以是其中一个解的一员。 我们可以利用choose[m][n]把解拆出来，拆分从最后一个物品开拆，那么我们前面倒序排列的目的就很明确了，就是为了优先把重量小的物品拆出来。
最后，我们按如下规则遍历choose数组，就能得到最小解。
int v = n, index = m;
//v初值为n是因为求的是总和为n的解，index初值为m是因为优先考虑编号
while(v > 0) {
if(choose[index][v] == true) {//如果是解的成员，拆出来
arr.push_back(w[index]);
v -= w[index];//改变重量
}
index--;//改变可拆物品范围
}
414
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
