Python动态规划之零钱兑换问题详解

问题描述

给你一个整数数组 coins ，表示不同面额的硬币；以及一个整数 amount ，表示总金额。

计算并返回可以凑成总金额所需的 最少的硬币个数 。如果没有任何一种硬币组合能组成总金额，返回 -1 。

你可以认为每种硬币的数量是无限的。

问题分析

考察其是否满足动态规划的两个特征：

是否求最值？显而易见，这是一个求最小值的问题；

是否具有最优子结构？考察大规模问题的解是否可以由小规模问题的解推导出来。我们可以假设amount<n所需的最小硬币数量都是已知的，那如何得出amount=n所需的最小硬币数量呢？可以结合具体场景，如果你手上有1块、2块面额的硬币，要求凑出总额amount =5的所需最小硬币个数，而amount <5的所需最小硬币个数是已知的。很容易想到，只需要在amount =3或者amount =4的所需最小硬币个数的基础上再加1个硬币（2块或者1块）就可以得到amount =5所需的硬币个数了（注意，这里还不是最小硬币个数），再取这两种情况的最小值，便可以得到amount =5的所需的最小硬币个数了（是不是想起了跳台阶问题？）。

以上分析我们可以得出，该问题是动态规划问题。

求解套路

明确有哪些状态。很容易想到，在状态转化过程（大规模问题由小问题规模问题推导的过程）中，总金额amount 一定是发生变化的，因此amount 是状态。

明确dp数组含义。根据求什么设什么原则，我们可以设dp代表最少硬币数量，由于只有amount一个状态，因此dp为1维。综上，dp应设为dp[n]，代表凑出总额为n需要的最少数量金币。

状态转移方程。有了【问题分析】中的例子，相信找出状态转移方程并不难，直接贴结论：

初始化dp。由于求的是最小值，因此要反着来，初始化为最大。考虑到coins是正整数数组，即coin最小是1，所以对于总金额n，最坏情况下（即只用面值为1的硬币）需要n个硬币。我们需要将dp初始化为正常情况下取不到的值，因此我们将dp其初始化为n+1。

代码

def coin_change(coins,amount):

    # 判断边界值
    if amount == 0:
        return 0

    # 初始化dp数组，长度是amount+1，因为0~n一共有n+1个元素
    dp = [amount+1]*(amount+1)
    # 因为dp[n]要靠dp[0]推导，所以dp[0]需要按实际情况初始化为0
    dp[0] = 0

    # 遍历状态
    for i in range(1,amount+1):
        # 注意coins并不是状态，只是我们状态转移方程需要遍历它取最小值
        for coin in coins:
            if i-coin >= 0:
                dp[i] = min(dp[i],dp[i-coin]+1)
    if dp[amount] == amount+1: # 若为真，说明无解
        return -1
    else:
        return dp[amount]


if __name__ == '__main__':
	
    # 测试用例，来自leecode #322题
    eg =[[[1,2,5],11],[[2],3],[[1],0],[[1],1],[[1],2]]
    for coins,amount in eg:
        print(coin_change(coins,amount),end='  ')

算法复杂度分析

• 时间复杂度

显然是O(nm)，其中n为amount，即总金额，m为硬币coins的种类。

• 空间复杂度

由于我们使用长度为amount+1的数组dp来保存状态，因此为O(n)。

到此这篇关于Python动态规划之零钱兑换问题详解的文章就介绍到这了,更多相关Python零钱兑换问题内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论