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:
- 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
- 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 - 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。 - 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)
- 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 - 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];
}