动态规划:
设输入 n n n 个骰子的解(即概率列表)为 f ( n ) f(n) f(n) ,其中「点数和」 x x x的概率为 f ( n , x ) f(n, x) f(n,x)
假设已知 n − 1 n - 1 n−1 个骰子的解 f ( n − 1 ) f(n - 1) f(n−1) ,此时添加一枚骰子,求 n n n 个骰子的点数和为 x x x 的概率 f ( n , x ) f(n, x) f(n,x) 。
当添加骰子的点数为 1 时,前 n − 1 n - 1 n−1 个骰子的点数和应为 x − 1 x - 1 x−1 ,方可组成点数和 x x x ;以此类推,直至此骰子点数为 6 。将这 6 种情况的概率相加,即可得到概率 f ( n , x ) f(n, x) f(n,x)。递推公式如下所示:
f ( n , x ) = ∑ i = 1 6 f ( n − 1 , x − i ) × 1 6 f(n,x) = \sum_{i=1}^{6} f(n-1,x-i) \times \frac{1}{6} f(n,x)=∑i=16f(n−1,x−i)×61
根据以上分析,得知通过子问题的解 f ( n − 1 f(n - 1 f(n−1可递推计算出 f ( n ) f(n) f(n),而输入一个骰子的解 f ( 1 ) f(1) f(1) 已知,因此可通过解 f ( 1 ) (1) (1)依次递推出任意解 f ( n ) f(n) f(n) 。
如下图所示,为 n = 2 n = 2 n=2 , x = 7 x = 7 x=7的递推计算示例。
逆向递推(有越界问题)
f ( n − 1 , x − i ) f(n - 1, x - i) f(n−1,x−i)中的 x − i x - i x−i会有越界问题
class Solution {
public double[] dicesProbability(int n) {
double res[] = new double[n * 5 + 1];
double dp[][] = new double[n + 1][n * 6 + 1];
for (int i = 1;i <= 6;i++) {
dp[1][i] = 1.0/6;
}
for (int i = 2; i <= n; i++) {
for (int j = i; j <= i * 6; j++) {
//第i枚筛子的点数
for (int k = 1; k <= 6; k++){
//越界处理
if(j - k >= i - 1)
dp[i][j] += dp[i - 1][j - k] / 6;
else
break;
}
}
}
for (int i = 0; i < 5 * n + 1; i++) {
res[i] = dp[n][n + i];
}
return res;
}
}
//空间优化
class Solution {
public double[] dicesProbability(int n) {
double res[] = new double[n * 5 + 1];
double dp[] = new double[n * 6 + 1];
for (int i = 1;i <= 6;i++) {
dp[i] = 1.0/6;
}
for (int i = 2; i <= n; i++) {
for (int j = i * 6; j >= i; j--) {
dp[j] = 0;
//第i枚筛子的点数
for (int k = 1; k <= 6; k++){
//越界处理
if(j - k >= i - 1)
dp[j] += dp[j - k] / 6;
else
break;
}
}
}
for (int i = 0; i < 5 * n + 1; i++) {
res[i] = dp[n + i];
}
return res;
}
}
正向递推(无越界问题)
如下图所示,以上递推公式是 “逆向” 的,即为了计算 f ( n , x ) f(n, x) f(n,x) ,将所有与之有关的情况求和;而倘若改换为 “正向” 的递推公式,便可解决越界问题。
具体来看,由于新增骰子的点数只可能为 1至 6 ,因此概率 f ( n − 1 , x ) f(n - 1, x) f(n−1,x)仅与 f ( n , x + 1 ) , f ( n , x + 2 ) , . . . , f ( n , x + 6 ) f(n, x + 1), f(n, x + 2), ... , f(n, x + 6) f(n,x+1),f(n,x+2),...,f(n,x+6) 相关。因而,遍历 f ( n − 1 ) f(n - 1) f(n−1)中各点数和的概率,并将其相加至 f ( n ) f(n) f(n) 中所有相关项,即可完成 f ( n − 1 ) f(n - 1) f(n−1)至 f ( n ) f(n) f(n)的递推。
class Solution {
public double[] dicesProbability(int n) {
//因为最后的结果只与前一个动态转移数组有关,所以这里只需要设置一个一维的动态转移数组
//原本dp[i][j]表示的是前i个骰子的点数之和为j的概率,现在只需要最后的状态的数组,所以就只用一个一维数组dp[j]表示n个骰子下每个结果的概率。
//初始是1个骰子情况下的点数之和情况,就只有6个结果,所以用dp的初始化的size是6个
double[] dp = new double[6];
//只有一个数组
Arrays.fill(dp, 1.0 / 6.0);
//从第2个骰子开始,这里n表示n个骰子,先从第二个的情况算起,然后再逐步求3个、4个···n个的情况
//i表示当总共i个骰子时的结果
for (int i = 2; i <= n; i++) {
//每次的点数之和范围会有点变化,点数之和的值最大是i*6,最小是i*1,i之前的结果值是不会出现的;
//当有i个骰子时的点数之和的值数组先假定是temp
double[] temp = new double[5 * i + 1];
//从i-1个骰子的点数之和的值数组入手,计算i个骰子的点数之和数组的值
//先拿i-1个骰子的点数之和数组的第j个值,它所影响的是i个骰子时的temp[j + k]的值
for(int j = 0; j < dp.length; j++){
//比如只有1个骰子时,dp[1]是代表当骰子点数之和为2时的概率,它会对当有2个骰子时的点数之和为3、4、5、6、7、8产生影响,因为当有一个骰子的值为2时,另一个骰子的值可以为1~6,产生的点数之和相应的就是3~8;
for(int k = 0; k < 6; k++){
//这里记得是加上dp数组值与1/6的乘积,1/6是第i个骰子投出某个值的概率
temp[j + k] += dp[j] * (1.0/6.0);
}
}
//i个骰子的点数之和全都算出来后,要将temp数组移交给dp数组,dp数组就会代表i个骰子时的可能出现的点数之和的概率;用于计算i+1个骰子时的点数之和的概率
dp = temp;
}
return dp;
}
}