扔鸡蛋问题

前段时间去一家厂面试芯片验证专家，这家厂的母厂是做互联网的。一面拿下，二面前半截也挺顺利，直到面试官问了这么一道题：

有一栋楼共100层，一个鸡蛋从第X层及以上的楼层落下来会摔破， 在第X层以下的楼层落下不会摔破。给你2个鸡蛋，求最少要扔多少次鸡蛋，才能保证在最坏的情况下都能找到X层。

听完题目我就感觉凉凉了，我知道这是一道经典的算法题，而且感觉似曾相识。我试着给了一些思路，比如二分法之类的(先从50楼扔)，但都不是正确答案。而且面试官觉得我思考问题不严谨，缺乏逻辑。

后来我面向搜索引擎研究了一下，懂得了什么是动态规划。这道题最好的解法是运用动态规划。这道题可以扩展为一共M层楼，N个鸡蛋，求最少要扔多少次鸡蛋找到临界层在哪里。

我们先用迭代的思路，即不断地将大问题分解小问题的思路来分析分析。

我们定义F(N,M）为所求的最小尝试此时，N为鸡蛋数，M为楼层数。

假设第一次从第k层往下扔, 有两种结果，碎了，没碎。

1）如果碎了，则X肯定在k楼以下，即1~k-1之间，并且还剩N-1个鸡蛋。这时就形成了子问题，有N-1个鸡蛋，k-1层楼，求最小的尝试次数，即F(N-1, k-1)

2) 如果没碎，则X肯定在k楼以上，总共是M-k层楼。这时就形成了子问题，有N个鸡蛋，M-k层楼，请最小的尝试次数，即F(N, M-k)

因此，原始问题可以转化为，求

max{F(N-1,k-1), F(N,M-k)} + 1在 1<=k<=M上的最小值。

问题到这里，理论上讲已经可以用迭代法进行计算了，但是要进行大量重复的计算，因此时间代价很高，高到M的阶乘级别，高到基本无法计算，我试了下用迭代法计算F(2, 100)直接就死机了。

动态规划的核心，就是先计算规模最小的问题，然后将小问题的结果记录下来，在计算更大规模的问题时，直接查表获取小问题的结果，在小问题结果的基础上计算大问题。

运用动态规划解决问题，需要先找到状态转移方程(可以理解为递推关系)和边界条件。

状态转移方程：

F(N,M) = Min{max[F(N-1, k-1), F(N, M-k)] +1}  ，1<=k<=M

边界条件

F(1, M) = M

Talk is cheap, shou you the code. Life is short, I use Python.

import numpy as np

def throw_egg(num_egg, num_floor):
	rslt_list=np.zeros((num_egg+1, num_floor+1), dtype=int)
	for in in range(1, num_floor+1):
	    rslt_list[1][i] = i

	if (num_egg < 2):
		return num_floor
		
	for N in range(2, num_egg+1):
		for M in range(1, num_floor+1):
			min_num = M
			for k in range(1, M+1):
				num = max(rslt_list[N-1, k-1], rslt_list[N, M-k]) + 1
				if (num < min_num):
					min_num = num
			rslt_list[N][M] = min_num

	return rslt_list[egg_num][floor_num]