你将获得 K 个鸡蛋,并可以使用一栋从 1 到 N 共有 N 层楼的建筑。
每个蛋的功能都是一样的,如果一个蛋碎了,你就不能再把它掉下去。
你知道存在楼层 F ,满足 0 <= F <= N 任何从高于 F 的楼层落下的鸡蛋都会碎,从 F 楼层或比它低的楼层落下的鸡蛋都不会破。
每次移动,你可以取一个鸡蛋(如果你有完整的鸡蛋)并把它从任一楼层 X 扔下(满足 1 <= X <= N)。
你的目标是确切地知道 F 的值是多少。
无论 F 的初始值如何,你确定 F 的值的最小移动次数是多少?
示例 1:
输入:K = 1, N = 2
输出:2
解释:
鸡蛋从 1 楼掉落。如果它碎了,我们肯定知道 F = 0 。
否则,鸡蛋从 2 楼掉落。如果它碎了,我们肯定知道 F = 1 。
如果它没碎,那么我们肯定知道 F = 2 。
因此,在最坏的情况下我们需要移动 2 次以确定 F 是多少。
示例 2:
输入:K = 2, N = 6
输出:3
示例 3:
输入:K = 3, N = 14
输出:4
提示:
1 <= K <= 100
1 <= N <= 10000
作者:力扣 (LeetCode)
链接:https://leetcode-cn.com/leetbook/read/top-interview-questions/xmup75/
来源:力扣(LeetCode)
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
方法一:动态规划 + 二分搜索
思路和算法
我们可以考虑使用动态规划来做这道题,状态可以表示成 (K, N),其中 K 为鸡蛋数,N为楼层数。当我们从第 X楼扔鸡蛋的时候:
如果鸡蛋不碎,那么状态变成 (K, N-X),即我们鸡蛋的数目不变,但答案只可能在上方的 N-X 层楼了。也就是说,我们把原问题缩小成了一个规模为 (K, N-X) 的子问题;
如果鸡蛋碎了,那么状态变成 (K-1, X-1),即我们少了一个鸡蛋,但我们知道答案只可能在第 X楼下方的 X-1 层楼中了。也就是说,我们把原问题缩小成了一个规模为 (K-1, X-1) 的子问题。
这样一来,我们定义 dp(K, N)为在状态 (K, N)下最少需要的步数。根据以上分析我们可以列出状态转移方程:
这个状态转移方程是如何得来的呢?对于 dp(K, N)而言,我们像上面分析的那样,枚举第一个鸡蛋扔在的楼层数 X。由于我们并不知道真正的 F 值,因此我们必须保证 鸡蛋碎了之后接下来需要的步数 和 鸡蛋没碎之后接下来需要的步数 二者的 最大值 最小,这样就保证了在 最坏情况下(也就是无论 FF 的值如何) dp(K, N)的值最小。如果能理解这一点,也就能理解上面的状态转移方程,即最小化
如果我们直接暴力转移求解每个状态的 dp值,时间复杂度是为 O(KN^2),即一共有 O(KN)个状态,对于每个状态枚举扔鸡蛋的楼层 X,需要 O(N)的时间。这无疑在当前数据范围下是会超出时间限制的,因此我们需要想办法优化枚举的时间复杂度。
我们观察到 dp(K, N)是一个关于 N的单调递增函数,也就是说在鸡蛋数 K固定的情况下,楼层数N 越多,需要的步数一定不会变少。在上述的状态转移方程中,第一项 是一个随 XX 的增加而单调递增的函数,第二项是一个随着 XX 的增加而单调递减的函数。
这如何帮助我们来优化这个问题呢?当 X 增加时,单调递增而 单调递减,我们可以想象在一个直角坐标系中,横坐标为 X,纵坐标为和。当一个函数单调递增而另一个函数单调递减时,我们如何找到一个位置使得它们的最大值最小呢?
如上图所示,如果这两个函数都是连续函数,那么我们只需要找出这两个函数的交点,在交点处就能保证这两个函数的最大值最小。但在本题中,和 都是离散函数,也就是说,X 的值只能取 1, 2, 3 等等。在这种情况下,我们需要找到最大的满足 <。的 X_0,以及最小的满足≥。的 X_1 ,对应到上图中,就是离这两个函数(想象中的)交点左右两侧最近的整数。
我们只需要比较在 X_0 和 X_1 处两个函数的最大值,取一个最小的作为 XX 即可。在数学上,我们可以证明出 X_0 和 X_1 相差 11,这也是比较显然的,因为它们正好夹住了那个想象中的交点,并且相距尽可能地近。因此我们就可以使用二分查找的方法找出 X_0 ,再得到 X_1 :
我们在所有满足条件的 X上进行二分查找。对于状态 (K, N)而言,XX 即为 [1, N]中的任一整数;
在二分查找的过程中,假设当前这一步我们查找到了 X mid,如果 ,那么真正的 X_0 一定在 X mid 的左侧,否则真正的 X_0在 X mid的右侧。
二分查找的写法因人而异,本质上我们就是需要找到最大的满足 的 X_0 ,根据 Xmid进行二分边界的调整。在得到了 X_0 后,我们可以知道 X_1即为 X_0 + 1,此时我们只需要比较,取较小的那个对应的位置作为 X 即可。
这样一来,对于给定的状态 (K,N),我们只需要 O(log N)的时间,通过二分查找就能得到最优的那个 X,因此时间复杂度从 O(KN^2) 降低至 O(KNlogN),可以通过本题。
class Solution:
def superEggDrop(self, K: int, N: int) -> int:
memo = {}
def dp(k, n):
if (k, n) not in memo:
if n == 0:
ans = 0
elif k == 1:
ans = n
else:
lo, hi = 1, n
# keep a gap of 2 X values to manually check later
while lo + 1 < hi:
x = (lo + hi) // 2
t1 = dp(k-1, x-1)
t2 = dp(k, n-x)
if t1 < t2:
lo = x
elif t1 > t2:
hi = x
else:
lo = hi = x
ans = 1 + min(max(dp(k-1, x-1), dp(k, n-x))
for x in (lo, hi))
memo[k, n] = ans
return memo[k, n]
return dp(K, N)
复杂度分析
时间复杂度:O(K∗NlogN)。我们需要计算 O(K∗N) 个状态,每个状态计算时需要 O(logN) 的时间进行二分搜索。
空间复杂度:O(K∗N)。我们需要 O(K∗N) 的空间存储每个状态的解。
class Solution:
def superEggDrop(self, K: int, N: int) -> int:
# Right now, dp[i] represents dp(1, i)
dp = list(range(N+1))
dp2 = [0] * (N+1)
for k in range(2, K+1):
# Now, we will develop dp2[i] = dp(k, i)
x = 1
for n in range(1, N+1):
# Let's find dp2[n] = dp(k, n)
# Increase our optimal x while we can make our answer better.
# Notice max(dp[x-1], dp2[n-x]) > max(dp[x], dp2[n-x-1])
# is simply max(T1(x-1), T2(x-1)) > max(T1(x), T2(x)).
while x < n and max(dp[x-1], dp2[n-x]) >= max(dp[x], dp2[n-x-1]):
x += 1
# The final answer happens at this x.
dp2[n] = 1 + max(dp[x-1], dp2[n-x])
dp = dp2[:]
return dp[-1]
复杂度分析
时间复杂度:O(K * N)。我们需要计算 O(K * N)个状态,同时对于每个 K,最优解指针只会从 0 到 N 走一次,复杂度也是 O(K * N)。因此总体复杂度为 O(K * N)。
空间复杂度:O(N)。因为 dp 每一层的解只依赖于上一层的解,因此我们每次只保留一层的解,需要的空间复杂度为 O(N)。
class Solution:
def superEggDrop(self, K: int, N: int) -> int:
if N == 1:
return 1
f = [[0] * (K + 1) for _ in range(N + 1)]
for i in range(1, K + 1):
f[1][i] = 1
ans = -1
for i in range(2, N + 1):
for j in range(1, K + 1):
f[i][j] = 1 + f[i - 1][j - 1] + f[i - 1][j]
if f[i][K] >= N:
ans = i
break
return ans
复杂度分析
时间复杂度:O(K*N)O(K∗N)。事实上,更准确的时间复杂度应当为 O(K * T),我们不加证明地给出 N = O(T^K),因此有
空间复杂度:O(K*N)。