【力扣笔记】1774. 最接近目标价格的甜点成本（回溯）

1774. 最接近目标价格的甜点成本

• 中等

你打算做甜点，现在需要购买配料。目前共有 n 种冰激凌基料和 m 种配料可供选购。而制作甜点需要遵循以下几条规则：

• 必须选择 一种 冰激凌基料。
• 可以添加 一种或多种 配料，也可以不添加任何配料。
• 每种类型的配料 最多两份 。

给你以下三个输入：

• baseCosts ，一个长度为 n 的整数数组，其中每个 baseCosts[i] 表示第 i 种冰激凌基料的价格。

• toppingCosts，一个长度为 m 的整数数组，其中每个 toppingCosts[i] 表示 一份 第 i 种冰激凌配料的价格。

• target ，一个整数，表示你制作甜点的目标价格。

你希望自己做的甜点总成本尽可能接近目标价格 target 。

返回最接近 target 的甜点成本。如果有多种方案，返回 成本相对较低 的一种。

示例 1：

输入：baseCosts = [1,7], toppingCosts = [3,4], target = 10
输出：10
解释：考虑下面的方案组合（所有下标均从 0 开始）：
- 选择 1 号基料：成本 7
- 选择 1 份 0 号配料：成本 1 x 3 = 3
- 选择 0 份 1 号配料：成本 0 x 4 = 0
总成本：7 + 3 + 0 = 10 。

示例 2：

输入：baseCosts = [2,3], toppingCosts = [4,5,100], target = 18
输出：17
解释：考虑下面的方案组合（所有下标均从 0 开始）：
- 选择 1 号基料：成本 3
- 选择 1 份 0 号配料：成本 1 x 4 = 4
- 选择 2 份 1 号配料：成本 2 x 5 = 10
- 选择 0 份 2 号配料：成本 0 x 100 = 0
总成本：3 + 4 + 10 + 0 = 17 。不存在总成本为 18 的甜点制作方案。

示例 3：

输入：baseCosts = [3,10], toppingCosts = [2,5], target = 9
输出：8
解释：可以制作总成本为 8 和 10 的甜点。返回 8 ，因为这是成本更低的方案。

示例 4：

输入：baseCosts = [10], toppingCosts = [1], target = 1
输出：10
解释：注意，你可以选择不添加任何配料，但你必须选择一种基料。

提示：

• n == baseCosts.length
• m == toppingCosts.length
• 1 <= n, m <= 10
• 1 <= baseCosts[i], toppingCosts[i] <= 10^4
• 1 <= target <= 10^4

解法一：回溯

递归参数： index ，表示当前需要考虑加入配料 toppingCosts[index]

终止条件：

1. index==len(toppingCosts)
2. 剪枝：当前花费 cost 和 target 的距离更大时，直接剪枝，因为 cost 只会越来越大

单层逻辑：

1. 要考虑更新 ans ，根据 ans 和 target 的距离和 cost 和 target 的距离决定，要注意，当前 index 层并没有考虑到 toppingCosts[index] 的价格（在下一层中考虑）所以这个处理逻辑要在 index==len(toppingCosts) 之前。
2. 要进入搜索树的下一层，考虑下一层配料的三种添加情况

# 回溯法
# 对于每种基料，我都遍历所有的配料，每种配料可以加0个，1个，2个，然后记录花费中最接近 target 的
# 可以剪枝，对于大于 target 的花费 cost，如果 cost - target > abs(ans - target) 就直接返回了
# 因为 cost 是越来越大的
class Solution:
    def __init__(self):
        self.ans = 0
        self.cur_cost = 0

    def closestCost(self, baseCosts: List[int], toppingCosts: List[int], target: int) -> int:
        self.ans = min(baseCosts)
        for base_cost in baseCosts:
            self.cur_cost = base_cost
            self.backtracking(0, toppingCosts, target)
        return self.ans
    
    def backtracking(self, index, toppingCosts, target):
        # 剪枝
        if abs(self.ans - target) < self.cur_cost - target:
            return
        # 考虑当前花费是否可以更新答案
        # 如果距 target 更近就更新，如果一样近，就选小的
        if abs(self.ans - target) > abs(self.cur_cost - target):
            self.ans = self.cur_cost
        elif abs(self.ans - target) == abs(self.cur_cost - target):
            self.ans = min(self.ans, self.cur_cost)

        # 此结束条件一定要放在上一步之后，不能放在最开始，否则对于加了 toppingCosts[m-1] 的情况都没有判断
        if index == len(toppingCosts):
            return
        # 考虑 toppingCosts[index]
        for i in range(3):
            self.cur_cost += toppingCosts[index] * i
            self.backtracking(index + 1, toppingCosts, target)
            self.cur_cost -= toppingCosts[index] * i