信息素养大赛Python挑战赛之动态规划算法

信息素养大赛Python挑战赛往年第六题详解

分钱方案（往年信息素养复赛真题）

题目描述
有n个人，他们需要分配m元钱(m>n)，每个人至少分到1元钱，且每个人分到的钱数必须是整数。请问有多少种分配方案?

输入描述

输入一行两个正热数n，m，用空格间隔。

输出描述

输出分配方案数。

样例输入

5 10

样例输出

126

问题分析

1. 初始状态:

• 如果没有人(即i=0)，那么没有方案，方案数为0。
• 如果没有钱(即j=0)，那么唯一的方案就是所有人都分到 0元钱，但这种情况不符合每个人至少1 元钱的条件，方案数为0。

如下表所示：

2. 转移方程
   如i=3，j=5，代表我们将5元钱分给3个人，方案数用f(i,j)表示，所有方案如下：

• 最后一人分1元，其余两人分剩余的4元，方案数为f(i-1, j-1)；
• 最后一人分2元，其余两人分剩余的3元，方案数为f(i-1, j-2)；
• 最后一人分3元，其余两人分剩余的2元，方案数为f(i-1, j-3)；
• 最后一人分4元，其余两人分剩余的1元。不符合要求，方案数为0。
• 最后一人分5元，其余两人分剩余的0元。不符合要求，方案数为0。
  综上所述，方案数f(i,j) = f(i-1,j-1) + f(i-1, j - 2) + … + f(i -1, i-1)

因为 f(i-1, j - 2) + … + f(i -1, i-1) = f(i, j-1)所以状态转移方程为：f(i,j) = f(i-1,j-1) + f(i, j-1)

3.边界条件:
我们定义一个二维列表dp ，其中dp[i][j]表示将j元钱分配给i个人的方案数。

• dp[1][1]=1表示1个人，1元钱，只有一种方案。
• m<n时，钱数少于人数，方案数为0。

参考代码【递归】

def f(n, m):
    if m < n:
        return 0
    if n == 1:
        return 1
    count = 0
    for i in range(1, m - n + 2):# 递归计算 f(i-1,j-1) **+ f(i-1, j - 2) + ... + f(i -1, i-1)
        #  i的值最大为m-n+1
        count += f(n - 1, m - i)# 从f(n-1, m-1) 到 f(n-1, m-(m-n+1))即f(n-1,n-1)累加求和
    return count

n, m =map(int,input().split())
print(f(n, m))

参考代码篇【动态规划】

n, m = map(int,input().split())
dp =[[0]*(m+1) for i in range(n+1)]
for j in range(1, m+1):
    dp[1][j]=1  # 大于等于1元时，只有1人分配方案有1种
for i in range(2, n+1):
    for j in range(i, m+1):# 从i开始，j小于i不需要计算
        dp[i][j]= dp[i-1][j-1] + dp[i][j-1]
print(dp[n][m])

递归和动态规划是解决很多算法问题的两种重要方法，尤其在处理需要重复子问题求解的问题时非常有效。尽管它们在某些方面相似，但在效率、内存使用以及实现方式上有着显著的区别。

递归

递归是一种通过函数调用自身来解决问题的方法。递归通常用于解决可以分解为相似子问题的问题，其中每个子问题都是原问题的一个更小版本。递归的关键在于找到一个基准情况（或称为基本情况），它是递归的停止条件，确保递归调用能够终止。

优点

简洁：代码通常比迭代方法更简洁，更容易理解。 通用：适用于许多类型的问题，尤其是那些可以自然分解为子问题的问题。

缺点

可能导致大量的重复计算：如果没有适当的记忆化或缓存机制，相同的子问题可能会被多次计算。 栈溢出风险：对于深层递归，可能会耗尽调用栈空间。

动态规划

动态规划是另一种解决优化和计数问题的方法，它通过将原问题分解为相对简单的子问题的方式求解，并且存储子问题的解以避免重复计算。动态规划通常与填表法（或称为自底向上方法）和记忆化递归（自顶向下加记忆化）相关联。

优点

高效：通过避免重复计算，动态规划通常比简单的递归实现要快得多。
易于实现记忆化：对于递归方法，添加记忆化可以显著提高效率，使其更接近动态规划的效率。

缺点

可能需要额外的空间来存储子问题的解。 问题分解和状态定义需要一定的技巧和经验。

总结

对于小规模问题或易于理解的问题，递归可能是更好的选择。然而，对于需要处理大量数据或追求高性能的场景，动态规划通常是更好的选择。在某些情况下，记忆化递归可以作为一种折衷方案，它结合了递归的简洁性和动态规划的效率。