题目:给你一根长度为n的绳子,请把绳子剪成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。答案需要取模 1e9+7(1000000007),如计算初始结果为:1000000008,请返回 1。
本题两种解法的时间和空间复杂度。
时间复杂度 | 空间复杂度 | |
动态规划 | O(n^2) | O(n) |
贪心算法 | O(1) | O(1) |
动态规划解法
动态规划的思想:求一个问题的最优解,而且该问题能够分截成若干个子问题,并且子问题之间还有重叠的更小的子问题,就可以考虑使用动态规划解决。
本题动态规划中的等式推导:定义函数f(n)为把长度为n的绳子剪成若干段后各段长度乘积的最大值。在剪第一刀的时候,我们有n-1中可能的选择,也就是剪出来的第一段绳子的可能长度分别为1,2,...,n-1。因此,,其中0<i<n。
代码如下:
public int maxProductAfterCutting(int length) {
// 如果绳子长度小于4,直接返回对应结果
if (length < 2) return 0;
if (length == 2) return 1;
if (length == 3) return 2;
int[] arr = new int[length + 1]; // 最优解数组,并初始化已知的最优解
arr[1] = 1;
arr[2] = 2;
arr[3] = 3;
for (int i = 4; i <= length; i++) {
int max = 0;
for (int j = 1; j <= i / 2; j++)
max = Math.max(max, (arr[j] * arr[i - j]) % 1000000007);
arr[i] = max;
}
return arr[length];
}
在阅读上面代码时可能出现疑惑的两处:
问题1.为什么给最优解数组赋初始值时arr[0]=0,arr[1]=1,arr[2]=2,arr[3]=3?比如arr[3]=3,不是在length=3时都返回的2吗?
答:两处的意思不是一致的。举个例子,长度为4的绳子a剪一刀变成了长度为1的绳子a1和长度为3的绳子a2,这时绳子a的乘积是a1和a2长度相乘。arr[3]=3代表的是绳子剪后的绳子最优解,即子问题的最优解(如绳子a2长度就是3)。
问题2.为什么内层循环条件是j<=i/2而不是j<=i?
答:依然用问题1中的例子,剪长度为4的绳子。第一刀可以剪1、2和3的长度,得到的结果分别是[1,3]、[2,2]和[3,1],很明显[1,3]和[3,1]走的逻辑是一样的。
贪心算法解法
对于这题的贪心思想推导和证明我参考的是点这里。
最终推导得到的结论就是:设绳子长度为n,当n>=5时,尽可能多剪长度为3的绳子;当剩下的绳子长度为4时,把绳子剪成两段长度为2的绳子。
贴上代码:
public int maxProductAfterCutting1(int length) {
// 如果绳子长度小于4,直接返回对应结果
if (length < 2) return 0;
if (length == 2) return 1;
if (length == 3) return 2;
// 尽可能多剪长度为3的绳子
int timesOfThree = length / 3;
if (length - timesOfThree * 3 == 1) {
timesOfThree--;
}
int timesOfTwo = (length - timesOfThree * 3) / 2;
return (int) (Math.pow(3, timesOfThree) * Math.pow(2, timesOfTwo));
}
动态规划和贪心算法小结:
动态规划:从上往下分析问题,从下往上求解问题。从小问题到大问题,存储每一步的最优解。
贪心算法:每一步都做出最贪婪的选择,适合一些特定情况下的求解,往往需要数学证明其合理性。