ALGO-3 K好数 — 动态规划（java）

ALGO—3 K好数

问题描述

如果一个自然数N的K进制表示中任意的相邻的两位都不是相邻的数字，那么我们就说这个数是K好数。求L位K进制数中K好数的数目。例如K = 4，L = 2的时候，所有K好数为11、13、20、22、30、31、33 共7个。由于这个数目很大，请你输出它对1000000007取模后的值。

输入格式
输入包含两个正整数，K和L。

输出格式
输出一个整数，表示答案对1000000007取模后的值。

样例输入
4 2
样例输出
7
数据规模与约定
对于30%的数据，KL <= 106；
对于50%的数据，K <= 16， L <= 10；
对于100%的数据，1 <= K,L <= 100。

题目分析：

这是一道典型的动态规划入门题，相比于算法设计，这道题首先需要的是理解题意，同时需要一定的进制转换知识基础。看了许多版本的博客题解，虽然对算法的核心都有解释或备注，但总觉得对入门者，尤其是动态规划入门者来说不够友好。所以决定自己写一篇题解。

我们以题目所给的样例数据K=4，L=2入手，也就是求2位的4进制数中，任意相邻两位不是相邻数字的4进制数的个数。

首先我们来回顾一下十进制数转换为四进制数的方法—除4取余法，即十进制数除4，余数为权位上的数，得到的商值继续除4，依此步骤继续向下运算直到商为0为止。基础知识，不再赘述，简单列出1-15以便接下来的分析。

0 —— 1                8 —— 20    √         
1 —— 1                9 —— 21   
2 —— 2                10 —— 22   √       
3 —— 3                11 —— 23   
4 —— 10              12 —— 30   √
5 —— 11      √      13 —— 31
6 —— 12              14 —— 32   √  
7 —— 13      √      15 —— 33   √    

算法分析：

观察位数为2的4进制数字，根据题意，我们要找出 任意相邻两位不是相邻数字的，也就是上方√出的数字，共有7个。

我们知道，四进制是以4为底数的进位制，以 0,1,2,3 四个数字表示任何实数。假定从高位开始寻找，最高位数字必定也是0,1,2,3，要找到满足题意的数字，比如十位数为1时，就要去寻找个位数不为0或1的那些。

这里引进一个二维数组dp[ i ][ j ]，1<i<=L，0<j<K， i 表示位数，j 表示最高位的数字。在这里的样例中具化成1<i<=2，0<j<4。根据观察可以知道，当位数为1时，除了0之外的1,2,3都满足题意。于是可以将i=1时的j都初始化为1，表示满足题意的情况数，方便下面的计算。那么当十位数为1时，个位数可以是1,3两种情况；十位数为2时，个位数可以是0,2两种情况；十位数为3时，个位数可以是0,1,3三种情况。将这些结论填入下表中。

	0	1	2	3
1	1	1	1	1
2	3	2	2	3

此时用sum计数，由于j是最高位的数字，不能为0，那么从1开始循环遍历到3，满足题意的情况共有2+2+3=7种，与我们题目分析时得出的结论一致。

这里可能有人有疑问，为什么将i=1时的j都初始化为1呢，当位数为1时，满足题意的不是j=1,2,3三种情况吗，0不是不满足吗，为什么j=0也初始化为1呢。其实细想一下，位数为1时，我们计数时j仍然是从1开始循环遍历到3的，满足题意的1,2,3都进行了计数，也就是说i=1时，j=0的值对于结果是没有影响的。但是再仔细思考，当位数为2的时候呢？如果我们把i=1时，j=0的值初始化为了0，那么比如当十位数为2时，个位数可以是0,2两种情况，最终的计数却只有1种，这对于后面所有的计算都是有偏差的，所以我们把i=1时的j都初始化为1。也就是为了上面所说过的“表示满足题意的情况数，方便下面的计算”。

到这里的算法，应该都很清晰明了了。那么我们抛开样例，延伸地去考虑，当位数为3时，同样的，从高位开始寻找，出现一个问题是，当百位为2时，十位数可以是0,2两种情况，但是当十位数为0时的情况，我们刚刚并没有计算，因为我们人为地从样例具化分析知道十位数不能为0。这个问题和刚刚的疑问是一个道理，既然十位数为0的情况在刚刚的计算中对最终结果没有影响，但在现在的计算中又需要用到，那么为什么不进行计算呢？所以我们这里把i=2,j=0的情况数3也补充回刚刚的表格中去。同理，当位数为L时，我们也需要用到i=2,j=0的情况数，所以干脆都进行计算。

在这样的过程中，其实我们已经引出了动态规划的重要概念，也就是—每次决策依赖于当前状态，又随即引起状态的转移。现在再来理解动态规划就比较容易了。一般来说，能采用动态规划求解的问题的一般要具有3个性质：

1、最优化原理：如果问题的最优解所包含的子问题的解也是最优的，就称该问题具有最优子结构，即满足最优化原理。

     在本题中，我们按照从最高位到最低位不断判断直到找出所有情况数的过程，也就是利用了问题具有最优子结构。
2、 无后效性：即某阶段状态一旦确定，就不受这个状态以后决策的影响。也就是说，某状态以后的过程不会影响以前的状态，只与当前状态有关。
     在本题中，当最高位确定后，我们只需要不断向下判断，不会再改变已经确定了的位上的情况数，这就是无后效性。
3、有重叠子问题：即子问题之间是不独立的，一个子问题在下一阶段决策中可能被多次使用到。（该性质并不是动态规划适用的必要条件，但是如果没有这条性质，动态规划算法同其他算法相比就不具备优势）。
     这一点应该很好理解，不再赘述。

算法设计：

有了以上的理解，我们再来对这一题进行算法设计就水到渠成了。附上我用java实现的代码。核心的算法思想都在上面进行了详细的解释，备注就不多写了。

import java.util.*;

public class Main {
	public static void main(String[] args) {
		Scanner sc = new Scanner(System.in);
		int K = sc.nextInt();
		int L = sc.nextInt();
		sc.close();
		
		int [][]dp = new int[L+1][K+1]; //为了防止循环中数组下标溢出
		for(int j=0;j<K;j++) {
			dp[1][j] = 1;
		}
		
		for(int i=2;i<=L;i++) {
			for(int j=0;j<K;j++) {
				for(int temp=0;temp<K;temp++) {
					if(temp!=(j-1) && temp!=(j+1)) {
						dp[i][j] += dp[i-1][temp];
						dp[i][j] = dp[i][j] % 1000000007;
					}
				}
			}
		}
		
		int sum=0;
		for(int j=1;j<K;j++) {
			sum += dp[L][j];
			sum = sum % 1000000007;
		}
		System.out.println(sum);
	}
}