891. Super Egg Drop

You are given K eggs, and you have access to a building with N floors from 1 to N

Each egg is identical in function, and if an egg breaks, you cannot drop it again.

You know that there exists a floor F with 0 <= F <= N such that any egg dropped at a floor higher than F will break, and any egg dropped at or below floor F will not break.

Each move, you may take an egg (if you have an unbroken one) and drop it from any floor X (with 1 <= X <= N). 

Your goal is to know with certainty what the value of F is.

What is the minimum number of moves that you need to know with certainty what F is, regardless of the initial value of F?

 Example 1:

Input: K = 1, N = 2
Output: 2
Explanation: 
Drop the egg from floor 1.  If it breaks, we know with certainty that F = 0.
Otherwise, drop the egg from floor 2.  If it breaks, we know with certainty that F = 1.
If it didn't break, then we know with certainty F = 2.
Hence, we needed 2 moves in the worst case to know what F is with certainty.

 

K个鸡蛋,N层楼,在最坏的情况下,扔多少次才能够准确测试出哪层楼开始往下扔,鸡蛋会碎。

1、考虑1个鸡蛋的情况,所以必须从1楼开始扔到N楼,需要N次。 total(x, 1) = x

2、考虑2个鸡蛋,假设最少需要x次才能测出。

我们假设第一个鸡蛋在t楼往下扔,破了,所以剩下的t-1楼需要另外一个鸡蛋一层层测试,所以需要t-1次。那么就有 1 + t - 1 = x,t = x。

如果没有破,我们假设第一个鸡蛋第二次在x + t的处往下扔,破了,所以第二个鸡蛋只剩x - 2次测试机会,所以t = x - 1

同理,后面有 t = x - 2, x - 3 ... 1

那么就有 x + x - 1 + x - 2 + ... + 1 = x(x + 1) / 2 层楼被测试,   total(x, 2)  = 1 + total(x - 1, 1) + 1 + total(x - 2, 1) + ... + 1 + total(1, 1) + 1 + total(0, 1) = x(x + 1) / 2 >= N

3、考虑有3个鸡蛋,同2中思想,假设第一个鸡蛋在t1破碎,那么剩余的两个鸡蛋要在x - 1次机会中测试完t1 - 1层,所以有 1 + (x - 1)(x) / 2 = t1

假设第一个鸡蛋在t1 + t2破碎,那么剩余的两个鸡蛋要在x - 2次机会中测试完t2 - 1层,所以有 1 + (x - 2)(x - 1) / 2 = t2

那么就有 total(x, 3) = 1 + total(x - 1, 2) + ... + 1 + total(1, 2) = 1 + (x - 1)(x) / 2 + 1 + (x - 2)(x - 1) / 2 + ... + 1 >= N

4、假设有K个鸡蛋,同理递归推公式

total(x, K) = 1 + total(x - 1, K - 1) + 1 + total(x - 2, K - 1) + ... + 1 + total(1, K - 1) >= N

所以这道题就转化为求x, 使得 total(x, K) >= N

 

 1 class Solution {
 2 public:
 3     int total(int num, int k) {
 4         if (k == 1)
 5             return num;
 6         int sum = 0;
 7         while (num)
 8             sum += 1 + total(--num, k - 1);
 9         return sum;
10     }
11     int superEggDrop(int K, int N) {
12         for (int i = 1; i <= N; ++i) {
13             if(total(i, K) >= N) {
14                 return i;
15             }
16         }
17     }
18 };

 改进:用dp计算total,递推公式:total(x, k) = total(x - 1, k) + total(x - 1, k - 1) + 1

class Solution {
public:
    int total(int num, int k) {
        vector<vector<int>> dp(k, vector<int>(num, 1));
        for (int i = 0; i < num; ++i)
            dp[0][i] = i + 1;        
        for (int i = 1; i < k; ++i)
            for (int j = 1; j < num; ++j)
                dp[i][j] = dp[i - 1][j - 1] + dp[i][j - 1] + 1;
        return dp[k - 1][num - 1];
    }
    int superEggDrop(int K, int N) {
        for (int i = 1; i <= N; ++i) {
            if(total(i, K) >= N) {
                return i;
            }
        }
    }
};

经过测试不建议把main函数里面的total也挪进去用dp算,因为实际上当N和K都很大时,往往最后的n << N,这样子开一个N * K的数组就消耗很大。

如果放进去的话,先遍历K会比先遍历N更快,理由同上。

转载于:https://www.cnblogs.com/Zzz-y/p/9468383.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值