给你一根长度为 n 的绳子,请把绳子剪成整数长度的 m 段(m、n都是整数,n>1并且m>1),每段绳子的长度记为 k[0],k[1]…k[m-1] 。请问 k[0]k[1]…*k[m-1] 可能的最大乘积是多少?例如,当绳子的长度是8时,我们把它剪成长度分别为2、3、3的三段,此时得到的最大乘积是18。
示例 1:
输入: 2
输出: 1
解释: 2 = 1 + 1, 1 × 1 = 1
示例 2:
输入: 10
输出: 36
解释: 10 = 3 + 3 + 4, 3 × 3 × 4 = 36
提示:
2 <= n <= 58
思路:
- 数学天才,直接推导出,绳子要切成每段3米,尽可能多的情况下,乘积最大。 推导过程就不贴了。 大家记住结论就好。
下面展示一些内联代码片
。
时间复杂度:o(1)
空间复杂度: o(1)
// A code block
def cuttingRope1_0(self, n): # 数学推导
if n<=3:
return n-1
cut = n//3 - 1
res = n - (cut+1)*3
if res == 0:
return 3 ** (cut+1)
elif res == 1:
return 3 ** cut * 4
elif res == 2:
return 3 **(cut+1) * 2
- DP,这个就比较万能了,像上面那种 换个条件可能就不适用了
思路:dp[i]就是用来存储i米长的绳子可得到的最大乘积。那怎么求呢,
- 首先全部初始化为0,因为绳子大于1米,所以从dp[2]开始考虑,2米最优解是1米,没什么好说的。
- 接着开始填2以后的乘积。那就是 range(3,n+1)了,而j则是代表,i米长的绳子,从中切j米出来,遍历j ,0~i-1米,看从j切多少米比较合适。
盗张图,这样比较好理解。dp是一种自下而上的思想,步步为营,首先从dp[2]开始,因为dp[2]是最优的,算dp[3],从3米中切出j米来遍历所有切法。然而切分的方法有两种,第一种:切j米后,剩下的(3-j)不动 和j 直接乘,第二种:剩下的(3-j)选择最优的dp[i-j]。 因为3-j比i小,为3,2,1,所以dp[i-j]一定是之前已经算过的最优解。
那有人就问了,为啥不直接是dp[i]=max(dp[i],dp[i-j]*j)呢?
那dp[3]举例,
j = 0,=max(0,max(0,0))
j = 1, =max(0,max(2,1))
j = 2, =max(2,max(2,0))
j = 0,=max(0,0)
j = 1, =max(0,1)
j = 2, =max(1,0)
这样就发现问题了,由于绳子必须要切大于1段,所以dp[i-j]实际上是i-j米切>=2段时的最优解,并没有考虑将i-j作为一个整体和j相乘。所以还是要加上 [i-j]*j。
时间复杂度:o(n2) 循环嵌套
空间复杂度:o(n) 一个大小为n的列表
// An highlighted block
def cuttingRope1_1(self,n): #np的动态规划
dp = [0 for _ in range(n+1)]
dp[2] = 1
for i in range(3,len(dp)):
for j in range(i):
dp[i] = max(dp[i],max(j*(i-j),dp[i-j]*j))
return dp[n]
还有第二小题 return dp[n]%max_threshold就行了。