剪绳子
剪绳子
http://www.nowcoder.com/questionTerminal/57d85990ba5b440ab888fc72b0751bf8
描述
这是一篇针对初学者的题解,从暴力递归到动态规划一步步讲解。
知识点:递归,动态规划
难度:二星
题解
题目描述:给定一个长度为n的绳子,将其分成m段(m>1),求m段的乘积最大。
转化成数学上的描述:给定一个数n,求n = a1 + a2 ... +am, (m>1)在此条件下, s = a1 * a2 * ... * am, s最大
进入此题的讲解之前,先提出一个问题:什么样的题适合用动态规划?
针对本题来说,假如我们用暴力枚举的思路去思考,会出现以下一些问题:
- 这段绳子到底应该分几段,才能得到最优的结果?
- 假设我已经知道了要分m段(假设m已知),那么每段的长度又应该是多少呢?
可能你的问题不止上面2个。但是,仅仅是上面两个问题,已经让我感觉要分好多种情况,然后选出一个最优的。
当然,普通的for循环枚举所有情况是有难度的,但是幸运的是,我们可以用递归回溯。
所以,方法一如下:
方法一:暴力递归
暴力递归就要想到递归三部曲:
- 递归函数的设计和功能:back_track(n); 含义是:求长度为n的数,最后分段后的最大乘积,这里我们不需要关心分成多少段
- 递归函数的终止条件: 如果n <= 4, 显然back_track(n) = n,初始条件也就是我们不用计算就能得到的。
- 下一步递归:对于长度n,我们需要减少递归参数n,如果第一段为1, 显然下一步递归为back_track(n-1),如果第一段为2, 则下一步递归为
back_track(n-2)...因为要至少分2段,所以,最后一次可能的情况为最后一段为n-1, 下一步递归为back_track(1),因此,每一步可能的结果为
1 * back_track(n-1), 2 * back_track(n-2), ..., (n-1) * back_track(1),在n-1种情况中取一个最大值即可。 这里我们不用关系back_track(n-1)等的值为多少,因为最终会递归到我们的终止条件,因此绝对是可以求出来。
于是,有了上面三部曲,递归代码如下:
class Solution { public: int back_track(int n) { // n <= 4, 表明不分,长度是最大的 if (n <= 4) { return n; } int ret = 0; for (int i = 1; i < n; ++i) { ret = max(ret, i * back_track(n - i)); } return ret; } int cutRope(int number) { // number = 2 和 3 时,分 2 段和分 1 段的结果是不一样的,所以需要特判一下 if (number == 2) { return 1; } else if (number == 3) { return 2; } return back_track(number); } };
时间复杂度:O(n!)
空间复杂度:O(n), 最多分n段,每段长度为1, 所以递归深度为n
方法二:记忆化递归
根据方法一,假设求back_track(7),如下图:
![图片说明](https://uploadfiles.nowcoder.com/images/20200523/284295_1590216999783_2CC2B62A31846CE8FC9AB8E71A5EB53D "图片标题")
我用f() 替代 back_track(),可知,红色的部分重复了。
因此,我们可以开一个数组,把计算过的结果存起来。
步骤如下:
初始化一个大小为 n+1 的数组,初始值为 -1 , 也可以-2, 反正是不可能得到的值
在方法一的代码上,记录一下,详细代码如下
代码如下:class Solution { public: int back_track(int n, vector<int> &mark) { if (n <= 4) { return n; } // 在方法一的基础上添加 if (mark[n] != -1) { return mark[n]; } int ret = 0; for (int i = 1; i < n; ++i) { ret = max(ret, i * back_track(n - i)); } // 添加部分 return mark[n] = ret; } int cutRope(int number) { if (number == 2) { return 1; } else if (number == 3) { return 2; } // 添加部分 vector<int> mark(number, -1); return back_track(numberm, mark); } };
时间复杂度:O(n^2)
空间复杂度:O(n)
方法三:动态规划
有的书上认为方法二是一种递归版本的动态规划。
所以,我们可以将方法二修改为迭代版本的动态规划。
代码如下:
class Solution { public: int cutRope(int number) { if (number == 2) { return 1; } else if (number == 3) { return 2; } vector<int> f(number + 1, -1); for (int i = 1; i <= 4; ++i) { f[i] = i; } for (int i = 5; i <= number; ++i) { for (int j = 1; j < i; ++j) { f[i] = max(f[i], j * f[i - j]); } } return f[number]; } };
时间复杂度:O(n^2)
空间复杂度:O(n)
总的来说,方法一是基础。方法二,方法三都是在方法一的基础上修改的。
Q:接下来,我们就可以开篇的问题了,什么样的题适合用动态规划?
A:一般,动态规划有以下几种分类:
- 最值型动态规划,比如求最大,最小值是多少
- 计数型动态规划,比如换硬币,有多少种换法
- 坐标型动态规划,比如在m*n矩阵求最值型,计数型,一般是二维矩阵
- 区间型动态规划,比如在区间中求最值
其实,根据此题的启发,我们可以换种想法,就是什么样的题适合用暴力递归?
显然就是,可能的情况很多,需要枚举所有种情况。只不过动态规划,只记录子结构中最优的解。