【Leetcode】322. Coin Change

题目地址：

https://leetcode.com/problems/coin-change/

给定若干硬币的面值数组$A$和一个非负整数$x$，问$x$可以至少由多少个硬币拼出。如果拼不出则返回$-1$。

很经典的一道题，可以用动态规划做。设$f(x)$为$x$至少需要多少枚硬币支付，设$\vec{c}$是硬币面额向量。可以这么想，如果我们能确定拼出$x$的最优解有某个硬币$c_i$，那么最优解删除掉一个硬币$c_i$所得到的解，一定是拼出$x-c_i$的最优解，否则的话我们就可以构造出一个更优解来拼出$x$。所以我们需要做的，就是枚举最优解可能有的某个硬币。举个例子来说，假设我们有硬币$2,4,5$要拼出$6$，我们可以先假设最优解有一枚硬币$5$，那么最优解删掉这面值为$5$的硬币，一定就成为了拼出$6-5=1$的最优解，然而拼出$1$是不存在解的，所以也不存在含$5$的最优解。接下来我们假设最优解有一枚硬币$4$，那么最优解删掉这个$4$一定得到了$6-4=2$的最优解，而显然$f(2)=1$，所以我们就知道了，含硬币$4$的最优解一定是一枚$4$和一枚$2$。然而这到底是不是全局最优解呢？不确定，因为我们还要试一下最优解含一枚$2$的情况，我们发现$f(4)=1$，所以含$2$的最优解一定是一枚$4$和一枚$2$，到此时，我们已经枚举完了最优解所有可能满足的情况，接着选一个全局最优的情况就行了，于是得到$f(6)=2$。

我们可以看出来，这题本质是个搜索的问题，搜索的出口，就是当最优解已经显然可以得到的时候。接着我们发现，要求一个规模较大的最优解，我们需要频繁去求规模更小的最优解。所以为了提高效率，我们可以空间换时间，用记忆化的方式来避免重复计算。具体来说，我们可以用一个数组来记录每次得到的最优解，这样求规模更大的最优解的时候，我们就可以直接去查表，而不是再计算一遍了。

数学的递推方程角度来说，如果用$\infty$代表无法支付，那么$f$有递推方程： f ( x ) = { 1 ,   ∃ i , x = c i 1 + min ⁡ { i : c i < x } f ( x − c i ) ,   ∃ i ,   x > c i ∞ ,   ∄ i ,   x > c i   f(x)=\begin{cases} 1,\ \exists i,x=c_i\\ 1+\min_{\{i:c_i<x\}}f(x-c_i),\ \exists i,\ x>c_i\\ \infty,\ \nexists i,\ x>c_i\ \end{cases} f(x)=⎩ ⎨ ⎧​1, ∃i,x=ci​1+min{i:ci​<x}​f(x−ci​), ∃i, x>ci​∞, ∄i, x>ci​ ​数学里可以用正无穷来表达无法支付，代码里却不能这么写。我们只需要用一个不可能取得到的值来标记“无法支付”就可以了。比如，我们可以用$x+1$来代表无解。

class Solution {
 public:
  int coinChange(vector<int>& coins, int amount) {
    int n = coins.size();
    int f[n + 1][amount + 1];
    fill(&f[0][0], &f[0][0] + (n + 1) * (amount + 1), amount + 1);
    f[0][0] = 0;
    for (int i = 1; i <= n; i++)
      for (int j = 0; j <= amount; j++) {
        f[i][j] = f[i - 1][j];
        if (j >= coins[i - 1])
          f[i][j] = min(f[i][j], f[i][j - coins[i - 1]] + 1);
      }

    return f[n][amount] == amount + 1 ? -1 : f[n][amount];
  }
};

时空复杂度$O(nm)$，$n$为硬币面值种类数，$m$为要凑出的数字。