动态规划的两个基本例子

一，币值最大化问题：

给定一排n个硬币，其面值均为正整数c1,c2,…cn, 这些整数并不一定两两不同。请问如何选择硬币，使得在其原始位置互不相邻的条件下，所选硬币的总金额最大。
上述最大可选金额用F(n) 表示。为了得到F(n) 的递推关系，我们将所有可行的选择划分为两组：
包括最后一枚硬币的和不包括最后一枚硬币的。第一组中，可选硬币的最大金额等于cn + F(n - 2), 即最后一枚硬币的面值加上之前n - 2枚硬币的可选最大金额，按照 F(n) 的定义，另一组中，可选
的最大金额等于 F(n - 1) 。因此，我们得到符合初始条件的递推方程：
F(n) = max{cn + F(n - 2),F(n- 1)},n > 1 ①
F(0) = 0,F(1) = c1
算法 CoinRow(C[1…n])

//应用公式①，自底向上求最大金额
                      //在满足所选硬币不相邻的条件下，从一排硬币中选择最大金额的硬币
                      //输入：数组 ***(C[1...n])*** 保存n个硬币的面值
                      //输出：可选硬币的最大金额
                     F[0] <—— 2 to n do
                         F[i] <一 max(C[i] + F[i - 2], F[i - 1])
                         return F[n]

举个图中的例子：

要求解一排硬币5，1，2，10，6，2的过程。
若要求出构成最大金额的那些硬币，我们需要回溯计算过程，来确定在递推方程中，时
cn + F(n - 2) 还是 F(n -1) ,产生了最终的最大金额。若是 cn + F(n - 2)
记录下每次的 cn 就行了，如这次的最优解为 {c1,c4,c6} 。
用算法 CoinRow 求 F(n),以得出可选最大金额以及构成最大金额的硬币集合，显然需要耗费
O(n)时间和O(n)空间。这远远优于直接应用自顶向下递推求解或者穷举查找。

二，找零问题：

需找零金额为n,最少要用多少面值为 d1 < d2 < d3 < … <dm 的硬币？假设有 m 种面值为 d1 < d2 < … < dm 的硬币，其中 d1 = 1,且每种面值的硬币数量无限可得。
设 F(n) 为总金额为 n 的数量最少的硬币数目，方便起见定义 F(0) = 0。获得 n 的途径只能是：
在总金额为 n - dj 的一堆硬币上加入一个面值为 dj 的硬币，其中 j = 1,2,…,m, 并且 n >= dj。因此，
我们只需要考虑所有满足上述要求的 dj 并选择使得 F(n - dj) + 1 最小的 dj 即可。由于 1 是常量
，我们显然可以先找出最小的 F(n - dj) ，然后加 1 即可。因此，我们得到了以下 F(n) 的递归公式
当n > 0， F(n) = min {F(n - dj)} + 1 j : n >= dj ②
F(0) = 0 ②
我们可以用类似求解上述币值最大化问题的方法，从左至右填充一张单行表格来求出 F(n) ，但在这里，表格中每一格的计算都需要求出至多 m 个数的最小值。
算法 ChangeMaking(D[1…m],n)

//应用动态规划算法求解找零问题，找出使硬币加起来等于 n 时所需最少的硬币数目
//输入：正整数 n ，以及用于表示币值的递增整数数组D[1...m],D[1] = 1
//输出：总金额等于 n 的硬币最少的数目
F[0] <— 0
for i <— 1 to n do
temp <— ∞； j <— 1
while j <=m and i >= D[j] do
temp <— min(F[i - D[j]],temp)
j <— j + 1
F[i] <— temp + 1
return F[n] 

对于 n = 6,币值 为1，3，4的硬币应用上述算法的过程如图所示：

要求出最优解使用了那些硬币，我们需要回溯上述计算来找出公式②中是哪些面值的硬币产生了
最小值。对上面的例子，最后一次引用公式（当 n = 6）时，最小值是由 d2 = 3 产生的
。第二个最小值 （当 n = 6 - 3）时，也是由该面值产生的。因此，对于 n = 6 的最优硬币集合就是
2 个 3。

参考书：算法设计与分析基础