Lullaby Lee1. 暴力枚举：从最直观的解法说起
第一次遇到砝码称重问题时，我下意识想到的就是暴力枚举。题目给出了6种不同重量的砝码，每种砝码有若干个，我们需要计算出所有可能的组合重量。这看起来就像是在解一个多元方程：假设使用1g砝码i1个，2g砝码i2个...20g砝码i20个，那么总重量就是i1 + 2i2 + 3i3 + 5i5 + 10i10 + 20*i20。
最直接的做法就是为每种砝码的数量都设置一个循环，嵌套起来遍历所有可能的组合。比如：
cpp复制for(int i1=0; i1<=a1; ++i1)
for(int i2=0; i2<=a2; ++i2)
for(int i3=0; i3<=a3; ++i3)
//...更多循环嵌套
这种方法虽然简单粗暴，但存在明显的性能问题。假设每种砝码平均有10个，那么循环次数将达到11^6≈1.7×10^6次。当砝码数量增加时，这个数字会呈指数级增长，这就是所谓的"组合爆炸"问题。
我在实际测试中发现，当总重量限制在1000g以内时，这种解法还能勉强应付。但一旦数据规模扩大，程序就会变得异常缓慢。这让我意识到，必须寻找更高效的算法。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 动态规划的引入：识别问题本质
在竞赛中遇到性能瓶颈时，动态规划(DP)往往是救命稻草。但如何判断一个问题是否适合用DP解决呢？关键要看问题是否具有以下两个特性：
- 最优子结构：问题的最优解包含子问题的最优解
- 重叠子问题：不同的决策序列会到达相同的状态
砝码称重问题恰好满足这些条件。每个砝码的选择都是独立的，且最终重量是各砝码贡献的累加。这让我联想到经典的背包问题——特别是多重背包变种，其中每种物品(砝码)有多个，但数量有限。
将问题重新表述：给定n种砝码，第i种砝码的重量为w[i]，数量为a[i]。我们的目标是找出所有可能的组合重量，相当于问"用这些砝码能组成哪些不同的总重量"。
3. 状态设计与转移方程
动态规划的核心在于状态的定义和转移。对于这个问题，我经过多次尝试后确定了以下状态表示：
定义dp[i][j]为一个布尔值，表示使用前i种砝码能否称出重量j。那么状态转移可以考虑第i种砝码使用多少个：
- 不使用第i种砝码：dp[i][j]