动态规划算法学习笔记

常用算法之动态规划学习笔记

动态规划问题的一般形式是求最值，求解动态规划的核心问题是穷举，穷举所有的答案找最值。
因为这类问题存在 重叠子问题 的情况，所以需要 备忘录（自顶向下）或者DP(Dynamic Programming) table（自底向上） 来优化穷举过程。一定存在最优子结构（子问题的解答互相之间不影响），才能通过子问题的最值得到原问题最值。
因此有动态规划三要素：重叠子问题、最优子结构、状态转移方程。
如斐波那契数列可以用动态规划的思想进行优化，下面以经典样例 凑零钱问题 为例，阐释动态规划问题的解决方式。
问题描述：
给你k种⾯值的硬币，⾯值分别为c1, c2 … ck ，每种硬币的数量⽆限，再给⼀个总⾦额amount ，问你最少需要⼏枚硬币凑出这个⾦额，如果不可能凑出，算法返回 -1 。
函数声明如下：
int coinChange(int [] coins, int amount)
状态转移方程：
重点是列出状态转移方程，主要思路如下：

1. 先确定状态，原问题和子问题中变化的变量，硬币数量无限，所以唯一的状态是目标金额amount
2. 确定dp 函数的定义：当前的目标金额为n，至少需要 dp(n) 个硬币凑整
3. 确定选择并择优，列出n取不同情况时的dp(n)取值，同时明确base case，也就是n = 0或n < 0特殊情况时的返回值
   得到状态转移方程：
   

对应的Java代码：

public int coinChange(int[] coins, int amount) {
        int[] dp = new int[amount + 1];
        dp[0] = 0;
        for (int i = 1;i <= amount;i++) {
            boolean hasChange = false;
            int min = amount;
            for (int coin : coins) {
                int index = i - coin;
                if (index >= 0 && dp[index] >= 0) {
                    int value = dp[index] + 1;
                    if (min > value) {
                        min = value;
                    }
                    hasChange = true;
                }
            }
            if (!hasChange) {
                dp[i] = -1;
            } else {
                dp[i] = min;
            }

        }
        return dp[amount];
    }