NOIP2018货币系统简化：动态规划解法与实现-代码聚汇网

NOIP2018货币系统简化：动态规划解法与实现

眠子子子

1. 题目背景与核心理解

这道来自NOIP2018提高组的题目，题目编号P5020，要求我们解决一个关于货币系统的简化问题。题目描述的是：在一个国家有n种面额的货币系统，我们记为(n,a)。现在需要找到一个等价的货币系统(m,b)，其中m尽可能小。这里的"等价"指的是两个系统能够表示的金额集合完全相同。

我第一次看到这个题目时，直觉上觉得这应该是个动态规划问题。但仔细分析后发现，它更像是一个数学问题与算法优化的结合体。题目中给出的货币系统(n,a)可以看作是一个向量空间，我们需要找到它的最小生成集。

举个例子，如果原始系统是(4,[3,9,10,6])，那么简化后的系统就是(2,[3,6])。因为9=3+6，10=3+6+1（但1不存在，所以这个例子可能不太恰当，更准确的例子应该是(3,[2,3,5])可以简化为(3,[2,3,5])，因为没有冗余元素）。

2. 解题思路分析

2.1 问题转化

经过分析，这个问题可以转化为：在原始货币系统中，找出所有"必要"的面额，即那些不能被其他面额线性组合表示的面额。换句话说，我们需要去除所有冗余的面额。

这实际上等价于在原始面额集合中寻找一个极大线性无关组。在数学上，这与计算向量空间的基的概念类似。

2.2 算法选择

解决这个问题最直接的方法是使用动态规划。具体步骤如下：

对原始面额数组进行排序
初始化一个布尔数组dp，表示每个金额是否能被表示
遍历每个面额，对于每个面额，检查它是否能被之前的面额表示
如果不能被表示，则将其加入结果集

这个方法的正确性基于以下观察：如果一个面额不能被比它小的面额组合表示，那么它必须被包含在简化系统中。

2.3 复杂度分析

假设最大面额为M，面额数量为n，那么：

排序时间复杂度：O(n log n)
动态规划部分：O(nM)

总体复杂度为O(n log n + nM)。考虑到题目中M≤25000，n≤100，这个复杂度是可以接受的。

3. C++实现详解

3.1 代码框架

cpp复制#include <iostream>
#include <vector>
#include <algorithm>
#include <cstring>
using namespace std;

const int MAX_M = 25005;

int main() {
    int T;
    cin >> T;
    while (T--) {
        int n;
        cin >> n;
        vector<int> a(n);
        for (int i = 0; i < n; ++i) {
            cin >> a[i];
        }
        sort(a.begin(), a.end());
        
        bool dp[MAX_M] = {false};
        dp[0] = true;
        int res = 0;
        
        for (int i = 0; i < n; ++i) {
            if (!dp[a[i]]) {
                res++;
                for (int j = a[i]; j <= a.back(); ++j) {
                    if (dp[j - a[i]]) {
                        dp[j] = true;
                    }
                }
            }
        }
        cout << res << endl;
    }
    return 0;
}

3.2 关键代码解析

输入处理：
- 首先读取测试用例数量T
- 对于每个测试用例，读取面额数量n和面额数组a
排序：
- 将面额数组a按升序排序，这是为了确保在处理每个面额时，比它小的面额已经处理过
动态规划数组初始化：
- dp数组表示每个金额是否能被表示，初始时只有0可以被表示
核心逻辑：
- 遍历每个面额，如果当前面额不能被之前的组合表示，则增加结果计数
- 然后更新dp数组，标记所有能通过当前面额组合表示的金额
输出结果：
- 最终res的值就是简化后的货币系统大小

3.3 优化技巧

dp数组大小：
- 只需要开到最大面额即可，不需要更大
- 在代码中我们使用了a.back()作为上限，因为更大的金额不影响结果
提前终止：
- 可以在发现dp[a[i]]为true时立即跳过后续处理
- 但在这个实现中，我们直接通过if条件避免了不必要的处理
内存清零优化：
- 使用memset可以更快地重置dp数组
- 但在本题中，由于每个测试用例都会重新初始化，所以影响不大

4. 常见问题与调试技巧

4.1 典型错误

未排序导致错误：
- 如果没有先对面额排序，可能会导致错误的结果
- 因为动态规划依赖于处理顺序，必须先处理小面额
dp数组大小不足：
- 如果dp数组开得太小，会导致数组越界
- 题目中明确最大面额不超过25000，所以开25005足够
初始化问题：
- 忘记初始化dp[0]=true会导致所有金额都无法表示
- 每个测试用例需要重置dp数组

4.2 调试建议

小规模测试：
- 先用手算可以验证的小例子测试
- 例如(3,[2,3,5])应该输出3，(4,[3,9,10,6])应该输出2
打印中间结果：
- 可以在处理每个面额时打印dp数组的部分内容
- 这有助于理解算法是如何工作的
边界情况测试：
- 测试n=1的情况
- 测试所有面额都是倍数关系的情况
- 测试所有面额都互质的情况

5. 算法扩展与变种

5.1 相关问题

完全背包问题：
- 这个问题与完全背包问题有相似之处
- 都是关于物品的无限组合
子集和问题：
- 也可以看作是一种特殊的子集和问题
线性代数应用：
- 从数学角度看，这是求整数向量的基的问题

5.2 性能优化

更高效的筛法：
- 可以使用类似埃拉托斯特尼筛法的方法优化
- 但在这个问题中，动态规划已经足够高效
并行处理：
- 对于大规模数据，可以考虑并行处理不同面额
- 但在这个问题的约束下可能没有必要
位运算优化：
- 可以使用bitset来压缩dp数组空间
- 这在面额很大但数量不多时可能有用

6. 实际应用与总结

6.1 现实意义

这个问题虽然抽象，但在实际中有一些应用场景：

货币系统设计：
- 设计最简化的货币面额系统
- 减少货币种类同时保持支付能力
资源分配：
- 在资源分配中寻找最小基本单位集
- 确保所有需求都能被满足
编码理论：
- 在编码中寻找最小基向量集

6.2 个人心得

在解决这个问题的过程中，我有几点深刻体会：

问题转化的重要性：
- 最初可能会被"货币系统"这个表述迷惑
- 但将其转化为数学问题后思路就清晰了
排序的妙用：
- 很多问题通过排序可以大大简化
- 这道题就是一个很好的例子
动态规划的灵活性：
- 动态规划不仅可以解决经典问题
- 经过适当变形可以解决很多看似不同的问题

这道题虽然来自NOIP提高组，但核心思想并不复杂。关键在于能否识别出问题的本质，并将其转化为熟悉的算法模型。通过这道题，我对动态规划的应用有了更深的理解，也学会了如何将一个实际问题抽象为算法问题。