《剑指offer》12、剪绳子（动态规划与贪心）

剪绳子

offer12给出的是一个数学类的问题，现有一段长度为n>1的绳子，要将其剪成m>1段，m,n均为整数，问如何剪才能使得剪断的每一段绳子的长度乘积最大。
比方说，有一段长度为5的绳子，那么有如下的剪法：
[4,1],[3,1,1],[3,2],[2,2,1],[2,1,1,1],[1,1,1,1,1]
其中[3,2]有最大的乘积6.

动态规划

关于动态规划，展开讲的话就没完没了了。我给出了两个知乎上的链接和一个cnblog上的介绍，我觉得这三个地儿讲得足够齐全了。
当然，我们举一个非常简单的例子来说明动态规划的核心：我比较认可的是第一个链接中的一个说法，动态规划就像魔改的数列题，核心是在于写出状态转移方程，也就是将下一个状态写成和上一个状态有关的例子。我们正是拿这个数列说事——斐波那契数列。
我们知道斐波那契数列可以写成通项
$$F_n=\frac{{\left(\frac{1+\sqrt{5}}{2}\right)}^n-{\left(\frac{1-\sqrt{5}}{2}\right)}^n}{\sqrt{5}}$$
但没多少人会这么写，更一般的形式是：
$$\{\begin{array}{c}F(1)=F(2)=1\\ F(n)=F(n-1)+F(n-2)n\ge 3\end{array}$$
这个公式实际上就是一种状态转移方程。我们将$F(n)$拆分成了$F(n-1)$与$F(n-2)$的组合，这样一来就不用重复地计算$F(n-1)$与$F(n-2)$，节省了大量的时间。
在剪绳子的问题上，我们已经有$F(2)=1,F(3)=2$,最关键的一步就是写出$F(i)$的状态转移方程：$F(i)=\max [F(j)\ast F(i-j)]$，意思是，对于一个新的长度，我们可以遍历原来的所有的$F(i-1)$，找到$\max [F(j)\ast F(i-j)]$。如此一来，只需要一次正向和一次反向的遍历，便以O(n^2)的时间复杂度解决该问题。
代码如下：

# offer12-solution 1
# DP
def MaxProductAfterCut(n):
    products = [0, 1, 2, 3]
    if n < 2:
        print(products[0])
        return
    elif n == 2:
        print(products[1])
        return
    elif n == 3:
        print(products[2])
        return
    for i in range(4, n + 1):
        max = 0
        for j in range(1, i // 2 + 1):
            product = products[j] * products[i - j]
            if product > max:
                max = product
        products.append(max)
        # print(products)
    print(products[n])
    return

贪心算法

关于贪心算法的参考文献也见参考目录，简单地说，贪心算法是指在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，它所做出的仅仅是在某种意义上的局部最优解。
这里就会存在疑惑：贪心算法不是对所有问题都能得到整体最优解，那么有没有办法证明贪心算法对哪些问题是奏效的呢？对此其实并没有一个定论，但是如果学过随机过程的话，其实可以比较简单的证明：贪心策略必须具备无后效性。也就是说，所有可以在无后效性的前提下分解问题的策略，都可以考虑贪心算法。而剪绳子则是一个无后效性问题——剪完一刀以后剪掉的部分就成了“过去式”，不会再影响以后的裁剪。
在这个前提下，我们思考剪绳子的局部最优策略：
在刚才的动态规划中，我们已经知道：
$$\{\begin{array}{c}F(1)=0\\ F(2)=1\ast 1=1\\ F(3)=2\ast 1=2\\ F(4)=2\ast 2=4\\ F(5)=3\ast 2=6\end{array}$$
自然我们不能再往后一个一个罗列了，但我们依然可以罗列一个事实：
$3(n-3)>2(n-2)\text{ when }n>5$
这意味着当绳子长度大于5的时候，截取出一段3要优于截取出一段2。
但这时候又存在一个问题了，有人可能会说，那下面这个也是事实：
$p(n-p)>(p-1)(n-p+1)\text{ when }n>2p-1\left(p\in N^{\ast }\right)$
诚然，如果考虑上式，我们可以得出结论：当绳子长度大于29的时候，截取一段15比截取一段14要更优秀。但是显然我们不可能对着一段长度为15的绳子无动于衷，因此当我们对$n=15$向下考虑的时候，最终仍然会回到——剪一段3还是剪一段2的问题上。那就回到了第一式了。
因此我们可以依循贪心策略得出结论：
首先先尽量裁剪长度为3的绳子段，直到剩余的绳子长度小于5，然后如果是4，就裁成两个2（不裁也可以），如果是3和2就不动了。根据这个思路，代码如下：

# offer12-solution 2
# Greedy Algorithm
def MaxProductAfterCut2(n):
    if n < 2:
        print(0)
        return
    if n == 2:
        print(1)
        return
    if n == 3:
        print(2)
        return
    pow3 = n // 3
    if n - pow3 * 3 == 1:
        pow3 -= 1 # 如果剩余长度是4，那就要回退一步，不能裁成3+1
    pow2 = (n - pow3 * 3) // 2 # 剩余4→2+2，剩余2，不动
    print((3 ** pow3) * (2 ** pow2))
    return

小结

两个解法的结果是一样的。贪心明显具有更低的时间复杂度，但是DP的适用范围会更广泛一些，贪心策略的严格证明也是比较困难的，实际应用的时候要选择适合的策略和思路。

参考

如何理解动态规划
什么是动态对话
【算法复习】动态规划
《剑指offer》09&13&14、数学类问题：斐波那契数列、二进制数中1的个数、数值的整数次方
五大常用算法之一：贪心算法
漫画：五分钟学会贪心算法