Coin Change（硬币最少组合） python的动态规划实现记录

题目为给定不同面值的n种硬币，面值加起来等于一个特定的数m，求最少需要多少枚硬币实现。

这个问题如果使用暴力求解，需要穷举所有可以加起来等m的组合，时间复杂度为O(m^n)。

def coin_27_plus_1(x):
    coins = [2,5,7]
    len_s = [x//coin for coin in coins]

    sum = 0
    times = 0
    min_times = sys.maxsize

    for i in range(len_s[0]+1):

        for j in range(len_s[1]+1):

            for k in range(len_s[2]+1):

                sum = i*coins[0] + j*coins[1] + k*coins[2]
                times = i + j + k

                if sum == x and times < min_times:
                    min_times = times


    return min_times

使用动态规划，可以将复杂度将为O(m*n)。分析该问题时，将n暂且设为[2,5,7],m设为27.

要使用动态规划，首先需要确定状态：

     最后一步：最优策略中使用的最后一枚硬币，即有多少枚硬币，最后一步的最优策略就有多少种；

     将其优化成子问题:使用最好的硬币拼出更小的面值27-；

其次确定转移方程:

      

然后确定初始条件和边界情况：

    初始条件：

    边界情况:如果n中的所有硬币组合都不能评出x(包括负数)，则；

最后使用动态规划就是为了在计算下一项时可以直接已经计算的项，如，此时f[6]已经计算过，此时就不需要重复计算，代码如下:

 

def coinChange(self, coin_list, tg_num):
        """
        :type coins: List[int]
        :type amount: int
        :rtype: int
        """
         # 最大值变量
        import sys
        max_v = sys.maxsize

        # 创建一个数组，保存计算的值
        funcs = [None]*(tg_num+1)

        # 初始条件
        funcs[0] = 0

        # 依次从小到大计算
        for s_v in range(1,tg_num+1):
            funcs[s_v] = max_v
            # 实现转移方程
            for coin_v in coin_list:

                # 设定边界条件
                if s_v >= coin_v and funcs[s_v-coin_v] != max_v:

                    funcs[s_v] = min(funcs[s_v-coin_v]+1,funcs[s_v])

        # 如果计算的值仍然是极大值，直接返回-1
        if funcs[tg_num]  == max_v:return -1

        return funcs[tg_num]

动态规划在解决求解极值问题时是一种很有意思的算法，只要按步骤定义好状态、转移方程和边界，就可以一步步完成，谨以此记录。  

解决该问题时，动态规划参考了九章算法。