给你一根长度为 n 的绳子,请把绳子剪成整数长度的 m 段(m、n都是整数,n>1并且m>1),每段绳子的长度记为 k[0],k[1]…k[m-1] 。请问 k[0]k[1]…*k[m-1] 可能的最大乘积是多少?例如,当绳子的长度是8时,我们把它剪成长度分别为2、3、3的三段,此时得到的最大乘积是18。
示例 1:
输入: 2
输出: 1
解释: 2 = 1 + 1, 1 × 1 = 1
示例 2:
输入: 10
输出: 36
解释: 10 = 3 + 3 + 4, 3 × 3 × 4 = 36
提示:
2 <= n <= 58
1. 方法一:找规律
from math import pow
class SolutionRegular:
def cuttingRope(self, n: int) -> int:
if n <= 3:
return n - 1
result = divmod(n, 3)
if result[1] == 0:
return int(pow(3, result[0]))
elif result[1] == 2:
return int(pow(3, result[0]) * 2)
else:
return int(pow(3, (result[0]-1))) << 2
if __name__ == '__main__':
solution = SolutionRegular()
result = solution.cuttingRope(10)
print(result)
"""
运行结果:
36
Process finished with exit code 0
"""
2. 方法二:暴力递归
转载自
从上图看出我们可以把求解 F(n) 的问题分解成求解 F(n−1) 的问题,以此类推,直到求解到 F(2) 时,F(2) = 1,递推回去,问题就得到了解决。这用到的就是分治的思想。
分治思想的解决方法往往是递归,注意到我们每次将一段绳子剪成两段时,剩下的部分可以继续剪,也可以不剪, 因此我们得到了递归函数F(n)=max(i×(n−i),i×F(n−i)),i=1,2,…,n−2。
class SolutionViolenc:
def cuttingRope(self, n: int) -> int:
if n == 2:
return 1
res = -1
for i in range(1, n):
res = max(res, i * max(self.cuttingRope(n - i), (n - i)))
return res
if __name__ == '__main__':
solution = SolutionViolenc()
result = solution.cuttingRope(10)
print(result)
"""
运行结果:
36
Process finished with exit code 0
"""
复杂度分析
- 时间复杂度:O(2^N) 。
- 空间复杂度:O(2^N)。
3. 方法三:记忆化技术(自顶向下)
上述暴力解法会超时,但是很多进阶解法往往是暴力解法的优化。注意到上述代码中超时的原因主要是因为重复计算了 F(n),为了避免重复计算可以使用 记忆化(memoization) 技术(维基百科)。
记忆化技术的代码中经常需要建立函数 memoize 辅助实现。我们使用数组 f 来保存长度为 i时的最大长度 f[i],最后返回 f[n]即可。
from collections import deque
class SolutionMemo:
def cuttingRope(self, n: int) -> int:
# 使用辅助函数
def memoize(n):
if n == 2:
return 1
if f[n] != 0: # 如果f[n]已经计算过,直接返回避免重复计算
return f[n]
res = -1
for i in range(1, n):
res = max(res, i * max((n - i), memoize(n - i)))
f[n] = res
return res
f = deque([0]*(n+1))
return memoize(n)
if __name__ == '__main__':
solution = SolutionMemo()
result = solution.cuttingRope(10)
print(result)
"""
运行结果:
36
Process finished with exit code 0
"""
复杂度分析
- 时间复杂度:O(2^N)。
- 空间复杂度:O(N)。使用了数组 f。
记忆化搜索也叫“备忘录法”,它从类似上边树形图结构中的 F(n) 出发,逐步递归到已知值 F(2),可以理解成为自顶向上的解决办法。
4. 方法四:动态规划(自底向上)
使用动态规划,从已知值 F(2)逐步迭代到目标值 F(n),它是一种自底向上的方法。
from collections import deque
class SolutionDp:
def cuttingRope(self, n: int) -> int:
dp = deque([0]*(n+1))
dp[1] = 1
dp[2] = 1
for i in range(3, n+1):
for j in range(i):
dp[i] = max(dp[i], j*max(dp[i-j], i-j))
return dp[n]
if __name__ == '__main__':
solution = SolutionDp()
result = solution.cuttingRope(10)
print(result)
"""
运行结果:
36
Process finished with exit code 0
"""
复杂度分析:
- 时间复杂度:O(N^2)。
- 空间复杂度:O(N)。
5. 方法五:动态规划优化解法
任何大于 3 的数都可以拆分为数字 1,2,3的和,且它们对 3 的余数总是0,1,2,因此我们可以仅用 dp[0],dp[1],dp[2] 表示所有大于 3 的值,这样空间复杂度可降到 O(1)。
from collections import deque
class SolutionDpOpt:
def cuttingRope(self, n: int) -> int:
dp = deque([0, 1, 1])
for i in range(3, n+1):
dp[i % 3] = max(max(dp[(i-1) % 3], i - 1),
2 * max(dp[(i-2) % 3], i - 2),
3 * max(dp[(i-3) % 3], i - 3))
return dp[n % 3]
if __name__ == '__main__':
solution = SolutionDpOpt()
result = solution.cuttingRope(10)
print(result)
"""
运行结果:
36
Process finished with exit code 0
"""
复杂度分析:
- 时间复杂度:O(N)。
- 空间复杂度:O(1)。使用了有限长的数组。