Given a positive integer n, break it into the sum of at least two positive integers and maximize the product of those integers. Return the maximum product you can get.
题目大意是说给定一个正整数n,将其拆分成正好等于至少2个正整数相加,使得这几个正整数的乘积最大。
Example 1:
Input: 2 Output: 1 Explanation: 2 = 1 + 1, 1 × 1 = 1.
Example 2:
Input: 10 Output: 36 Explanation: 10 = 3 + 3 + 4, 3 × 3 × 4 = 36.
分析:
上面的两个输入例子还是比较好懂的,这里我们详细进行分析。试几个输入用例,我们会发现,如果可以不分解出1,那么就尽量不分解出1,什么意思呢,比如n=3,那么最大乘积的分解方法是1*2=2,但是不会分解成1*1*1=1,因为乘以1对乘积结果没有影响,还会占用求和,因此,使用带1进行分解是比较“亏”的。
第二个问题是,我们既然已经知道了尽量不要用1进行分解,那么,n满足什么条件可以不用分解呢?
n=2,分解成1*1=1;n=3,分解成1*2=2;n=4,分解成2*2=4。也就是说,当n>=4的时候,分解中就不会带有1。
由此,我们想到一种动态规划算法,声明一个长度为n的数组,dp[i]=w表示使用题目中所描述的分解方法进行分解得到的最大乘积是w。接下来也就是最重要的部分,如何设定初始值以及寻找到状态转移方程。
首先考虑状态转移方程(其实一般的动态规划应该首先考虑初始值,但是这道题比较特殊,因为初始值的设定比较难,而如果从状态转移方程入手就知道应该如何设定初始值)
从dp数组的含义,不难更新dp数组,下面,以一个具体的例子说明如何更新dp数组
n=8,想求出最大分解后的乘积,第一种情况是第一个数是1,然后看剩下的7分解后最大乘积是多少,然后将结果相乘,也就是dp[1]*dp[7];
第二种情况是第一个数是2,然后看剩下的6分解后最大乘积是多少,然后将结果相乘,也就是dp[2]*dp[6];在这里千万不要以为我是把n=8只拆分成两个数,2和6,因为6是否分解取决于dp[6]的决策,从这里就可以看到这是一个典型的由递归转换成的动态规划(因为当前的决策依赖于之前的决策)。
如果看清了这一点,那么dp[8]=max(dp[i]*dp[8-i]),其中i取值1-7
好,抽象出来,对于任意位置i,dp[i]=max(dp[j]*dp[i-j])。由此,我们终于找到了状态转移方程。
最后一个问题,初始值如何设定?
从dp数组的含义我们知道,dp[5]表示将5分解之后得到的最大乘积,应该是2*3,也就是dp[2]*dp[3],在这里,dp[2]=2。由以上分析知道当n<=3的时候,dp[i]=i。分析到这一层,就不难写出如下的代码了。
int integerBreak(int n) {
if (n<=3)
return n-1;
vector<int>dp;
dp.push_back(0);
dp.push_back(1);
dp.push_back(2);
dp.push_back(3);
int i,j, tempMax = 0;
for (i = 4; i <= n; i++){
tempMax = i - 1;
for (j = 2; j <= i/2;j++)
if (dp[j] * dp[i - j] > tempMax)
tempMax = dp[j] * dp[i - j];
dp.push_back(tempMax);
}
return dp.back();
}