class Solution:
def coinChange(self, coins: List[int], amount: int) -> int:
#dp[i]表示金额为i需要最少的硬币
#自顶向下
#dp[i] = min[dp[i-coin1],dp[i-coin2],dp[i-coin3]]+1
#在functools这个模块中,有lru_cache这个一个神奇的装饰器存在。
#functools.lru_cache的作用主要是用来做缓存,他能把相对耗时的函数结果进行保存,避免传入相同的参数重复计算。
#同时,缓存并不会无限增长,不用的缓存会被释放。
# import functools
# @functools.lru_cache(None)
# def helper(amount):
# if amount==0:
# return 0
# return min(helper(amount-c) if amount-c>=0 else float('inf') for c in coins)+1
# res = helper(amount)
# if res!=float('inf'):
# return res
# else:
# return -1
#动态规划,自底向上
#计算dp[3]之前必须将dp[0],dp[1],dp[2]计算出来
dp = [float('inf') for _ in range(amount+1)]
dp[0] = 0
for i in range(1,amount+1):
for coin in coins:
if i-coin>=0:
dp[i] = min(dp[i],dp[i-coin]+1)
#dp[i] = min(dp[i-c] if i-c>=0 else float('inf') for c in coins)+1
print(dp)
return dp[-1] if dp[-1]!=float('inf') else -1
- 解题思路
- 动态规划
- dp[amount]表示金额amount需要使用最少的硬币
- dp[amount] = min(dp[amount-coin1],dp[amount-coin2],dp[amount-coin3])+1
- 自顶向下
- 就是进行逐层的递归,最终计算结果,只管定义出递归方程即可
- 自底向上
- 自底向上进行,先计算dp[0],dp[1]...dp[i-1]
- 最终返回动态规划的最后一个状态转移方程
- 动态规划
总结:一般最大,最小,最多,最少的问题都采用动态规划去进行解决,先将庞大的问题划分成子问题,然后进行求解。
class Solution:
def change(self, amount: int, coins: List[int]) -> int:
#用dp[x] 表示金额之和等于x的硬币组合数,目标是求dp[amount]。
#初始化金额为0的只有1种
dp = [0]*(amount+1)
dp[0] = 1
for coin in coins:
#每添加一种零钱,总金额的变化
for j in range(1,amount+1):
if j>=coin:
dp[j]+=dp[j-coin]
print(dp)
return dp[-1]