算法学习笔记（一）动态规划问题之凑零钱

一、动态规划问题练习题目

题目：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 ，问你最少需要多少枚硬币凑出这个 金额，如果不可能凑出，算法返回 -1 。算法的函数签名如下：

int coinChange(int[] coins, int amount);

二、暴力递归

步骤：

1. 判定是否符合动态规划问题
   • 子问题是否相互独立（子问题之间无相互影响）；
   • 符合最优子结构
2. 确定状态（原问题和子问题中变化的变量）
   由于硬币数量无限、面值固定，则可变状态只有金额amount
3. 确定dp函数的定义
   当前的目标金额是 n，至少需要 dp(n) 个硬币凑出该金额。
4. 确定「选择」并择优
   也就是对于每个状态，可以做出什么选择改变当前状态。具体到这个问题，无论当的目标金额是多少，选择就是从金额列表 coins 中选择一个硬币，然后目标金额就会减少：

# 伪码框架 
def coinChange(coins: List[int], amount: int): 
	def dp(n):
		for coin in coins: 
			res = min(res, 1 + dp(n - coin)) 
		return res  
	return dp(amount)

6. 最后明确 base case（确认迭代终止条件）
   当amount金额＜0时，返回-1
   当amount金额=0时，返回0
7. 总结，列出正确的状态转移方程
   

三、带备忘录的递归

目的：

	取消代码重叠，提高算法效率。

def dp(n): 
	# 查备忘录，避免重复计算 
	if n in memo: return memo[n] 
	if n == 0: return 0
	if n < 0: return -1 
	res = float('INF') 
	for coin in coins: 
		subproblem = dp(n - coin) 
		if subproblem == -1: continue 
		res = min(res, 1 + subproblem) 
	memo[n] = res if res != float('INF') else -1 
	return memo[n] 

四、dp 数组的迭代解法

当然，我们也可以自底向上使用dp table 来消除重叠子问题， dp 数组的定义和刚才 dp 函数类似

int coinChange(vector<int>& coins, int amount) { 
	vector<int> dp(amount + 1, amount + 1); 
	dp[0] = 0; 
	for (int i = 0; i < dp.size(); i++) { 
		for (int coin : coins) { 
			if (i - coin < 0) continue; 
			dp[i] = min(dp[i], 1 + dp[i - coin]); 
 		} 
 	}
 return (dp[amount] == amount + 1) ? -1 : dp[amount]; 
}