https://blog.csdn.net/heyuchang666/article/details/50040943
"最坏情况下代价最小"这句话十分重要, 它反映了题目的重要数学结构:
我们可以把任何一种策略都看成一个决策树,
每一次扔瓶子都会有两个子节点, 对应碎与不碎的情况下下一步应该扔的楼层.
那么, 策略的一次执行, 是树中的一条从根往下走的路,
当且仅当这条路上出现过形如 k 没碎 与 k+1 碎了的一对节点时, 路停止, 当前节点不再扩展.
那么要找的是这么一棵树, 使得所有路里最长者尽量短, 也即, 要找一个最矮的决策树.
再看一个节点处, 选择楼层时会发生什么.
容易看出, 选择的楼层如果变高, 那么"碎子树"高度不减, "不碎子树"高度不增.
同样的, 选择的楼层变矮的话, "碎子树"高度不增, "不碎子树"高度不减.
这时候答案很明显了: 为了使两子树中高度最大者尽量小, 我们的选择应当使两子树高度尽量接近.
最终希望的结果是, 整个二叉树尽量像一个满二叉树.
假设第一次在根节点上, 我们选择扔k层, 其"碎子树"的高度显然是k - 1.
为了考虑不碎子树的高度, 设不碎后第二次扔m层(显然m > k ),
则这个新节点的碎子树高度为 m - k - 1, 不碎子树高度仍然未知,
但按照满二叉树的目标, 我们认为它与碎子树相同或少1就好.
那么在根节点上的不碎子树的高度就是m -k-1 + 1, 令它与碎子树高度相同, 于是:
m - k - 1 + 1 = k - 1 => m = k + k - 1
也即, 如果第一次扔在k层, 第二次应该高k-1 层, 这可以有直观一点的理解:
每扔一次, 就要更保守一些, 所以让区间长度少1. [1, k) -> [k + 1, 2k - 1).
用类似刚才的分析, 可以继续得到, 下一次应该增高k - 2, 再下一次应该增高k - 3.
如果大楼100层, 考虑:
所以第一次扔14层, 最坏需要14次(策略不唯一, 树的叶子可以交换位置).200层的话, 类似得到k =20.
以上是数学做法...当然还有代码做法....
设f(n, m)为n层楼, m个蛋所需次数, 那么它成了一道DP题..
以下代码python3 only:
import functools
@functools.lru_cache(maxsize=None)
def f(n, m):
if n == 0:
return 0
if m == 1:
return n
ans = min([max([f(i - 1, m - 1), f(n - i, m)]) for i in range(1, n + 1)]) + 1
return ans
print(f(100, 2)) # 14
print(f(200, 2)) # 20
转载参考:https://www.zhihu.com/question/19690210/answer/18079633
另外解法:
1.ans=math.floor(math.sqrt(2*n))
2.循环加
import functools
@functools.lru_cache(maxsize=None)
def f(n):
x=1
ans = 0
while ans < n:
ans + = x
x+=1
return x-1
print(f(100)) # 14
print(f(200)) # 20