算法题找零钱

A. c语言 找零钱问题，谢谢

这很容易。
先输入n值，然后从最大面值的人民币开始减。例如：
我有238元
减最大面值的第一个。238－100＝138。结果为正数且不为零。然后记录100元张数的变量加1（这些变量都应初始化时为0）
继续，138－100＝38.结果正数且不为零，同上100面值变量加1，
38－100。结果小于零。不再用100面值的减。
38－50。结果同样小于零，不再用50面值的减。
38－20＝18.结果为正数且不为零，20元张数的变量加1，
18－20。结果小于零。不再用20面值的减。
18－10＝8。结果为正数且不为零，10元张数的变量加1，
8－10.结果小于零。不再用10面值的减。
8-5＝3。结果为正数且不为零，5元张数的变量加1，
3-5。结果小于零。不再用5面值的减。
3-2＝1.结果为正数且不为零，2元张数的变量加1，
1-1＝0.结果为零。1元张数变量加1.显示结果。

你有：
100元（2）张，50元（0）张，20元（1）张，10元（1）张，5元（1）张，2元（1）张，1元（1）张。

B. 程序员算法基础——贪心算法

贪心是人类自带的能力，贪心算法是在贪心决策上进行统筹规划的统称。

比如一道常见的算法笔试题---- 跳一跳 ：

我们自然而然能产生一种解法：尽可能的往右跳，看最后是否能到达。
本文即是对这种贪心决策的介绍。

狭义的贪心算法指的是解最优化问题的一种特殊方法，解决过程中总是做出当下最好的选纤启择，因为具有最优子结构的特点，局部最优解可以得到全局最优解；这种贪心算法是动态规划的一种特例。 能用贪心解决的问题，也可以用动态规划解决。

而广义的贪心指的是一种通用的贪心策略，基于当前局面而进行贪心决策。以 跳一跳 的题目为例：
我们发现的题目的核心在于 向右能到达的最远距离 ，我们用maxRight来表示；
此时有一种贪心的策略：从第1个盒子开始向右遍历，对于每个经过的盒子，不断更新maxRight的值。

贪毁局如心的思考过程类似动态规划，依旧是两步： 大事化小 ， 小事化了 。
大事化小：
一个较大的腊山问题，通过找到与子问题的重叠，把复杂的问题划分为多个小问题；
小事化了：
从小问题找到决策的核心，确定一种得到最优解的策略，比如跳一跳中的 向右能到达的最远距离 ；

在证明局部的最优解是否可以推出全局最优解的时候，常会用到数学的证明方式。

如果是动态规划：
要凑出m元，必须先凑出m-1、m-2、m-5、m-10元，我们用dp[i]表示凑出i元的最少纸币数；
有 dp[i]=min(dp[i-1], dp[i-2], dp[i-5], dp[i-10]) + 1 ;
容易知道 dp[1]=dp[2]=dp[5]=dp[10]=1 ；
根据以上递推方程和初始化信息，可以容易推出dp[1~m]的所有值。

似乎有些不对？ 平时我们找零钱有这么复杂吗？
从贪心算法角度出发，当m>10且我们有10元纸币，我们优先使用10元纸币，然后再是5元、2元、1元纸币。
从日常生活的经验知道，这么做是正确的，但是为什么？

假如我们把题目变成这样，原来的策略还能生效吗？

接下来我们来分析这种策略：
已知对于m元纸币，1，2，5元纸币使用了a，b，c张，我们有a+2b+5c=m；
假设存在一种情况，1、2、5元纸币使用数是x，y，z张，使用了更少的5元纸币（z<c），且纸币张数更少（x+y+z<a+b+c），即是用更少5元纸币得到最优解。
我们令k=5*(c-z)，k元纸币需要floor(k/2)张2元纸币，k%2张1元纸币；（因为如果有2张1元纸币，可以使用1张2元纸币来替代，故而1元纸币只能是0张或者1张）
容易知道，减少(c-z)张5元纸币，需要增加floor(5*(c-z)/2)张2元纸币和(5*(c-z))%2张纸币，而这使得x+y+z必然大于a+b+c。
由此我们知道不可能存在使用更少5元纸币的更优解。
所以优先使用大额纸币是一种正确的贪心选择。

对于1、5、7元纸币，比如说要凑出10元，如果优先使用7元纸币，则张数是4；（1+1+1+7）
但如果只使用5元纸币，则张数是2；（5+5）
在这种情况下，优先使用大额纸币是不正确的贪心选择。（但用动态规划仍能得到最优解）

如果是动态规划：
前i秒的完成的任务数，可以由前面1~i-1秒的任务完成数推过来。
我们用 dp[i]表示前i秒能完成的任务数 ；
在计算前i秒能完成的任务数时，对于第j个任务，我们有两种决策：
1、不执行这个任务，那么dp[i]没有变化；
2、执行这个任务，那么必须腾出来(Sj, Tj)这段时间，那么 dp[i] = max(dp[i], dp[ S[j] ] ) + 1 ；
比如说对于任务j如果是第5秒开始第10秒结束，如果i>=10，那么有 dp[i]=max(dp[i], dp[5] + 1)； （相当于把第5秒到第i秒的时间分配给任务j）

再考虑贪心的策略，现实生活中人们是如何安排这种多任务的事情？我换一种描述方式：

我们自然而然会想到一个策略： 先把结束时间早的兼职给做了！
为什么？
因为先做完这个结束时间早的，能留出更多的时间做其他兼职。
我们天生具备了这种优化决策的能力。

这是一道 LeetCode题目 。
这个题目不能直接用动态规划去解，比如用dp[i]表示前i个人需要的最少糖果数。
因为（前i个人的最少糖果数）这种状态表示会收到第i+1个人的影响，如果a[i]>a[i+1]，那么第i个人应该比第i+1个人多。
即是 这种状态表示不具备无后效性。

如果是我们分配糖果，我们应该怎么分配？
答案是： 从分数最低的开始。
按照分数排序，从最低开始分，每次判断是否比左右的分数高。
假设每个人分c[i]个糖果，那么对于第i个人有 c[i]=max(c[i-1],c[c+1])+1 ; （c[i]默认为0，如果在计算i的时候,c[i-1]为0，表示i-1的分数比i高）
但是，这样解决的时间复杂度为 O(NLogN) ，主要瓶颈是在排序。
如果提交，会得到 Time Limit Exceeded 的提示。

我们需要对贪心的策略进行优化：
我们把左右两种情况分开看。
如果只考虑比左边的人分数高时，容易得到策略：
从左到右遍历，如果a[i]>a[i-1]，则有c[i]=c[i-1]+1；否则c[i]=1。

再考虑比右边的人分数高时，此时我们要从数组的最右边，向左开始遍历：
如果a[i]>a[i+1], 则有c[i]=c[i+1]+1；否则c[i]不变；

这样讲过两次遍历，我们可以得到一个分配方案，并且时间复杂度是 O(N) 。

题目给出关键信息：1、两个人过河，耗时为较长的时间；
还有隐藏的信息：2、两个人过河后，需要有一个人把船开回去；
要保证总时间尽可能小，这里有两个关键原则： 应该使得两个人时间差尽可能小（减少浪费），同时船回去的时间也尽可能小（减少等待）。

先不考虑空船回来的情况，如果有无限多的船，那么应该怎么分配？
答案： 每次从剩下的人选择耗时最长的人，再选择与他耗时最接近的人。

再考虑只有一条船的情况，假设有A/B/C三个人，并且耗时A<B<C。
那么最快的方案是：A+B去, A回；A+C去；总耗时是A+B+C。（因为A是最快的，让其他人来回时间只会更长， 减少等待的原则 ）

如果有A/B/C/D四个人，且耗时A<B<C<D，这时有两种方案：
1、最快的来回送人方式，A+B去；A回；A+C去，A回；A+D去； 总耗时是B+C+D+2A （减少等待原则）
2、最快和次快一起送人方式，A+B先去，A回；C+D去，B回；A+B去；总耗时是 3B+D+A （减少浪费原则）
对比方案1、2的选择，我们发现差别仅在A+C和2B；
为何方案1、2差别里没有D？
因为D最终一定要过河，且耗时一定为D。

如果有A/B/C/D/E 5个人，且耗时A<B<C<D<E，这时如何抉择？
仍是从最慢的E看。（参考我们无限多船的情况）
方案1，减少等待；先送E过去，然后接着考虑四个人的情况；
方案2，减少浪费；先送E/D过去，然后接着考虑A/B/C三个人的情况；（4人的时候的方案2）

到5个人的时候，我们已经明显发了一个特点：问题是重复，且可以由子问题去解决。
根据5个人的情况，我们可以推出状态转移方程 dp[i] = min(dp[i - 1] + a[i] + a[1], dp[i - 2] + a[2] + a[1] + a[i] + a[2]);
再根据我们考虑的1、2、3、4个人的情况，我们分别可以算出dp[i]的初始化值：
dp[1] = a[1];
dp[2] = a[2];
dp[3] = a[2]+a[1]+a[3];
dp[4] = min(dp[3] + a[4] + a[1], dp[2]+a[2]+a[1]+a[4]+a[2]);

由上述的状态转移方程和初始化值，我们可以推出dp[n]的值。

贪心的学习过程，就是对自己的思考进行优化。
是把握已有信息，进行最优化决策。
这里还有一些收集的 贪心练习题 ，可以实践练习。
这里 还有在线分享，欢迎报名。

C. 镓鹃浂阍辩畻娉曢梾棰

链鍏堢敤1涓25鍒嗭纴铹跺悗阃掑綊姹傚墿浣 50-25=25 鑳戒笉鑳界敤 5涓10鍒嗭纴0涓5鍒嗭纴4涓1鍒 镓鹃浂锛屽傛灉鑳斤纴鍒栾繑锲炵粨鏋滐纴濡傛灉涓嶈兘鍒欑敤0涓25锛岀劧钖庨掑綊姹傚墿浣 50-0=50 鑳戒笉鑳界敤 5涓10鍒嗭纴0涓5鍒嗭纴4涓1鍒 镓鹃浂銆

D. 请问数钱的贪婪算法怎样确保得到最优解

贪婪算法：总是作出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，它所做出的仅是在某种意义上的局部最优解。
（注：贪婪算法不是对所有问题都能得到整体最优解，但对范围相当广泛的许多问题它能产生整体最优解。但其解必然是最优解的很好近似解。

基本思路：——从问题的某一个初始解出发逐步逼近给定的目标，以尽可能快的地求得更好的解。当达到某算法中的某一步不能再继续前进时，算法停止

实现该算法的过程：
从问题的某一初始解出发；
while 能朝给定总目标前进一步 do
求出可行解的一个解元素；
由所有解元素组合成问题的一个可行解；

基本要素：
1、 贪婪选择性质：所求问题的整体最优解可以通过一系列局部最优的选择，即贪婪选择来达到。（与动态规划的主要区别）
采用自顶向下，以迭代的方式作出相继的贪婪选择，每作一次贪婪选择就将所求问题简化为一个规模更小的子问题。
对于一个具体问题，要确定它是否具有贪婪选择的性质，我们必须证明每一步所作的贪婪选择最终导致问题的最优解。通常可以首先证明问题的一个整体最优解，是从贪婪选择开始的，而且作了贪婪选择后，原问题简化为一个规模更小的类似子问题。然后，用数学归纳法证明，通过每一步作贪婪选择，最终可得到问题的一个整体最优解。
2、最优子结构性质:包含子问题的最优解
1、 设有n个活动的安排，其中每个活动都要求使用同一资源，如演讲会场，而在同一时间只允许一个活动使用这一资源。每个活动都有使用的起始时间和结束时间。问：如何安排可以使这间会场的使用率最高。
活动 起始时间 结束时间
1 1 4
2 3 5
3 0 6
4 5 7
5 3 8
6 5 9
7 6 10
8 8 11
9 8 12
10 2 13
11 12 14

算法：一开始选择活动1，然后依次检查活动一i是否与当前已选择的所有活动相容，若相容则活动加入到已选择的活动集合中，否则不选择活动i,而继续检查下一活动的相容性。即：活动i的开始时间不早于最近加入的活动j的结束时间。
Prodere plan;
Begin
n:=length[e];
a {1};
j:=1;
for i:=2 to n do
if s[i]>=f[j] then
begin a a∪{i};
j:=i;
end
end;

例1 [找零钱] 一个小孩买了价值少于1美元的糖，并将1美元的钱交给售货员。售货员希望用数目最少的硬币找给小孩。假设提供了数目不限的面值为2 5美分、1 0美分、5美分、及1美分的硬币。售货员分步骤组成要找的零钱数，每次加入一个硬币。选择硬币时所采用的贪婪准则如下：每一次选择应使零钱数尽量增大。为保证解法的可行性（即：所给的零钱等于要找的零钱数），所选择的硬币不应使零钱总数超过最终所需的数目。

假设需要找给小孩6 7美分，首先入选的是两枚2 5美分的硬币，第三枚入选的不能是2 5美分的硬币，否则硬币的选择将不可行（零钱总数超过6 7美分），第三枚应选择1 0美分的硬币，然后是5美分的，最后加入两个1美分的硬币。

贪婪算法有种直觉的倾向，在找零钱时，直觉告诉我们应使找出的硬币数目最少（至少是接近最少的数目）。可以证明采用上述贪婪算法找零钱时所用的硬币数目的确最少（见练习1）。

E. 【算法 - 动态规划】找零钱问题Ⅱ

动态规划新解：深度探索找零钱问题Ⅱ

在动态规划系列的璀璨篇章中，我们已经领略了四种经典模型的魅力：从左到右的精妙、范围尝试的巧妙、样本对应的智慧和业务限制的实用性。今天，我们将聚焦于更具挑战性的找零钱问题Ⅱ，给定正整数货币数组arr和目标金额aim，目标是计算组合方式的总数，但与问题Ⅰ不同，这里限制了每种货币的张数。

想象一下，当你面对arr={1,2,1,2,1,2,1}，aim=4的场景，需要多少种独特的组合方式，其中每种货币张数有限制。暴力递归的思路是关键，但这里我们将引入动态规划的力量，以记忆化搜索和状态转移方程为武器，降低枚举的复杂性。

暴力递归到动态规划的蜕变

暴力递归的基础在于：当遍历到数组末尾，且剩余金额为零时，我们找到了一个有效组合，计数加一。但这里的关键在于处理张数限制，即zhang不能超过coins[index]的值。将递归转换为动态规划，我们构建一个二维数组dp，大小为[N+1][aim+1]，初始化dp[N][0]=1，从后向前填充，利用dp[i+1][rest]计算dp[i][rest]，从而消减一层循环。

在优化版本中，我们观察到一个有趣的规律：计算dp[i][rest]时，可以通过枚举zhang，并利用dp[i+1][rest-coins[index]*zhang]来代替冗余的循环，这就像将红色计算简化为淡黄色、蓝色和橙色的组合，降低了复杂度，同时避免了处理蓝色货币选择时的边界问题。

动态规划的魅力与应用

动态规划的精髓在于表依赖和记忆化，它巧妙地将复杂问题转化为子问题的组合。在这个找零钱问题中，通过严格遵守状态转移方程，我们不仅消除了多余的for循环，还提升了代码的效率和可读性。掌握动态规划的这些技巧，就如同为算法大厦奠定坚固的基础，回顾过去的篇章，你将发现每一个模型都在为解决新问题提供关键的线索。

总结来说，动态规划的魔力在于其简洁的逻辑和高效的执行。通过深入理解记忆化搜索和状态转移，我们在找零钱问题Ⅱ中实现了从暴力递归到优雅动态规划的转变，这不仅降低了计算的复杂度，也提升了问题解决的美感。让我们继续在动态规划的海洋中探索，深化理解，迎接更多算法挑战。