动态规划实战：零钱兑换、完全平方数与单词拆分

小猪佩琪168

1. 动态规划专题解析：零钱兑换、完全平方数与单词拆分

动态规划（Dynamic Programming）是算法面试中的高频考点，也是许多实际工程问题的解决方案。今天我们将深入探讨三个经典问题：零钱兑换、完全平方数和单词拆分。这三个问题看似不同，实则都体现了动态规划的核心思想——将复杂问题分解为子问题，通过存储和重用子问题的解来提高效率。

对于准备技术面试的同学来说，这三个问题都来自LeetCode的热门题库（Hot100），掌握它们不仅能帮助你在面试中脱颖而出，更能培养解决实际问题的思维模式。我们将从问题分析、状态定义、转移方程到代码实现，一步步拆解每个问题的解决思路。

2. 动态规划五部曲方法论

在深入具体问题前，让我们先建立动态规划解题的标准框架。这套方法论适用于绝大多数动态规划问题，是面试中的解题利器。

2.1 确定dp数组及其下标含义

dp数组是动态规划的核心数据结构，其设计直接影响问题的可解性。定义时需要明确：

数组的维度（一维、二维等）
每个下标的实际含义
每个元素存储的信息

例如在零钱兑换问题中，我们使用一维数组dp，其中dp[i]表示凑出金额i所需的最少硬币数。

2.2 推导状态转移方程

状态转移方程是动态规划的灵魂，它描述了问题如何从较小规模的子问题构建出更大规模的解。推导时需要考虑：

当前状态与哪些子状态相关
如何组合子问题的解得到当前解
边界条件的处理

2.3 初始化dp数组

合理的初始化是正确求解的基础。需要注意：

基准情况的初始化（如dp[0]）
其他元素的初始值设置（通常设为极大值或极小值）
特殊情况的处理（如空输入）

2.4 确定遍历顺序

遍历顺序影响状态转移的正确性。需要考虑：

是顺序遍历还是逆序遍历
多重循环的嵌套顺序
完全背包与01背包的区别

2.5 模拟dp过程

在编码前，建议通过具体例子手动模拟dp数组的填充过程。这能帮助：

验证状态转移方程的正确性
发现边界条件的处理问题
理解算法的实际运行逻辑

3. 零钱兑换问题详解

3.1 问题分析与思路拆解

零钱兑换问题（LeetCode 322）要求找出凑成指定金额所需的最少硬币数量。给定不同面额的硬币和一个总金额，如果没有任何硬币组合能组成该金额，则返回-1。

3.1.1 问题重述

输入：coins = [1,2,5], amount = 11
输出：3（5+5+1）

3.1.2 解题思路

这是一个典型的完全背包问题：

物品：硬币，可以重复使用
背包容量：目标金额
目标：装满背包所需的最少物品数量

3.2 dp数组设计与状态转移

我们定义dp数组：

dp[i]：凑出金额i所需的最少硬币数
初始化：dp[0]=0，其他为Integer.MAX_VALUE
状态转移：dp[j] = min(dp[j], dp[j-coin]+1)

关键点：

使用MAX_VALUE表示不可达状态
需要防止整数溢出（MAX_VALUE+1会变成负数）
遍历顺序：先硬币后金额（完全背包标准写法）

3.3 完整代码实现

java复制class Solution {
    public int coinChange(int[] coins, int amount) {
        int[] dp = new int[amount + 1];
        Arrays.fill(dp, Integer.MAX_VALUE);
        dp[0] = 0;
        
        for (int coin : coins) {
            for (int j = coin; j <= amount; j++) {
                if (dp[j - coin] != Integer.MAX_VALUE) {
                    dp[j] = Math.min(dp[j], dp[j - coin] + 1);
                }
            }
        }
        
        return dp[amount] == Integer.MAX_VALUE ? -1 : dp[amount];
    }
}

3.4 复杂度分析与优化

时间复杂度：O(n×amount)，其中n是硬币种类数
空间复杂度：O(amount)

优化方向：

提前排序硬币，从大到小尝试（贪心思想）
BFS解法（将问题转化为图的最短路径）

3.5 常见错误与调试技巧

整数溢出问题：

注意：必须检查dp[j-coin]是否为MAX_VALUE，否则+1会导致溢出

初始化错误：

dp[0]必须初始化为0，这是状态转移的基础
其他位置初始化为MAX_VALUE表示"不可达"

遍历顺序混淆：

完全背包：物品在外层，金额在内层且正向遍历
01背包：物品在外层，金额在内层且逆向遍历

4. 完全平方数问题解析

4.1 问题描述与转化

完全平方数问题（LeetCode 279）要求找出和为n的完全平方数的最少数量。例如n=12，返回3（4+4+4）。

这个问题可以转化为：

物品：完全平方数（1,4,9,...）
背包容量：n
目标：装满背包所需的最少物品数

4.2 动态规划解法

4.2.1 dp数组定义

dp[i]：和为i的完全平方数的最少数量
初始化：dp[0]=0，其他为MAX_VALUE

4.2.2 状态转移方程

对于每个完全平方数s=k²：
dp[i] = min(dp[i], dp[i-s]+1)

4.2.3 实现细节

java复制class Solution {
    public int numSquares(int n) {
        int[] dp = new int[n + 1];
        Arrays.fill(dp, Integer.MAX_VALUE);
        dp[0] = 0;
        
        for (int k = 1; k * k <= n; k++) {
            int s = k * k;
            for (int j = s; j <= n; j++) {
                if (dp[j - s] != Integer.MAX_VALUE) {
                    dp[j] = Math.min(dp[j], dp[j - s] + 1);
                }
            }
        }
        
        return dp[n];
    }
}

4.3 数学优化解法

这个问题实际上有数学上的最优解，基于拉格朗日四平方和定理：

任何自然数都可以表示为4个整数的平方和
特定情况下可以更少

因此最优解只可能是1、2、3或4。基于这个性质，可以设计更高效的算法。

5. 单词拆分问题深入探讨

5.1 问题描述

单词拆分问题（LeetCode 139）给定一个字符串s和一个单词字典，判断s是否能被拆分为字典中单词的空格分隔序列。

示例：
输入：s = "leetcode", wordDict = ["leet","code"]
输出：true

5.2 动态规划解法

5.2.1 dp数组设计

dp[i]：s的前i个字符能否被拆分
初始化：dp[0]=true（空字符串可拆分）

5.2.2 状态转移

对于每个i，检查所有j < i：
dp[i] = dp[j] && (s[j..i-1] in wordDict)

5.2.3 实现代码

java复制class Solution {
    public boolean wordBreak(String s, List<String> wordDict) {
        Set<String> dict = new HashSet<>(wordDict);
        int n = s.length();
        boolean[] dp = new boolean[n + 1];
        dp[0] = true;
        
        for (int i = 1; i <= n; i++) {
            for (int j = 0; j < i && !dp[i]; j++) {
                if (dp[j] && dict.contains(s.substring(j, i))) {
                    dp[i] = true;
                }
            }
        }
        
        return dp[n];
    }
}