LeetCode-887. 鸡蛋掉落 ——动态规划加二分查找

博客介绍了使用动态规划和二分查找解决LeetCode第887题——鸡蛋掉落问题。通过分析最坏情况下的策略,建立状态转移方程,并讨论如何从暴力枚举优化到二分查找降低时间复杂度。
摘要由CSDN通过智能技术生成

在这里插入图片描述如果没有看懂题目意思的老哥,建议可以先看李永乐老师的视频:《复工复产找工作?先来看看这道面试题:双蛋问题》,当然这题目跟2018 第九届 蓝桥杯 JavaB组 摔手机基本思路也差不多的,下面我使用的思路方法也基本是按照该思路来的。

思路:

正如在例题解释中所说,要在最坏的情况下,那么什么是最坏情况至少要扔几次呢?
1)首先先考虑只有一个鸡蛋的情况下(假设有7层楼),那么你只能从第1层开始摔,要是你从中间开始摔并且摔坏了,那不好意思,你就只知道F层只有可能在中间层以下的位置,这样是得不出F的准确位置。

如果在第一层测就发现鸡蛋碎了,那恭喜你,这个鸡蛋的F只能为0,而只需要移动一次即可,但如果运气不好,一直测到第n层楼也没事,那么你的移动次数则为7,这就是对应的最坏情况。

2)那么如果有两个以上的鸡蛋呢?同样的我也可以第一个鸡蛋就从第1层开始扔,那么移动次数就是n次,虽然这是在最坏的情况下,但这扔的次数却不是最少的。
我们可以优化一下策略,不妨假设下,如果有7层楼,第一次我们从中间((1+7)/2=4)开始扔,这里就有以下两种情况

  • 第一个鸡蛋碎了,那我们就确定F只有可能在4层以下,同样第二个鸡蛋就从第2层((1+3)/2=2)开始扔。。。。。。
  • 第一个鸡蛋没有碎,那么我们就确定F只有可能在4层以上,那继续使用第二个鸡蛋从第6层((5+7)/2=6)开始扔。。。。。

那么最终的结果就是去上面两种情况中的最大值,这个的最小值就是最坏情况下至少需要扔的次数

那么对于状态转移方程我用dp[N][K]来表示,其中N为楼层数,K为鸡蛋数,dp[N][K]的值即为在第N层有K个鸡蛋时已经移动的次数的最小值。

dp[ i ][ j ] = Math.min(Math.max(dp[ k-1 ][ j-1 ],dp[ i-k ][ j ]) + 1 ) 1<=k<=i
这里 i 表示楼层数, j 表示楼层的最大层数, k 表示在第 k 层开始扔

整个方程表示在第 i 层有 j 个鸡蛋的情况下,判断该鸡蛋从1~i层中扔下去时[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 F 的值如何) dp[ i ] [ j ] 的值最小。

那么我们就需要知道尝试在所有楼层 1 <= i <= N 扔鸡蛋,每次选择尝试次数最少的那一层
下面这个代码是用暴力枚举的方式进行的

class Solution {
   
   public int superEggDrop(int K, int N) {
   
        int[][] dp = new int[N+1][K+1];
         由于求的是最小值,因此初始化的时候赋值为一个较大的数,9999 或者 i 都可以
        for (int i=0;i<=N;i++){
   
            Arrays.fill(dp[i],i);
        }
        //初始化下标为0,1的值
        //1.楼层数为0和1的时候
        // 1)当n的下标为0时,表示层数为0,此时无论有多少个鸡蛋,F都只能为0
        for (int i=0;i<=K;i++){
   
            dp[0][i]=0;
        }
      
### 回答1: 好的,我来用中文回复这个链接:https://leetcode-cn.com/tag/dynamic-programming/ 这个链接是 LeetCode 上关于动态规划的题目集合。动态规划是一种常用的算法思想,可以用来解决很多实际问题,比如最长公共子序列、背包问题、最短路径等等。在 LeetCode 上,动态规划也是一个非常重要的题型,很多题目都需要用到动态规划的思想来解决。 这个链接里包含了很多关于动态规划的题目,按照难度从简单到困难排列。每个题目都有详细的题目描述、输入输出样例、题目解析和代码实现等内容,非常适合想要学习动态规划算法的人来练习和提高自己的能力。 总之,这个链接是一个非常好的学习动态规划算法的资源,建议大家多多利用。 ### 回答2: 动态规划是一种算法思想,通常用于优化具有重叠子问题和最优子结构性质的问题。由于其成熟的数学理论和强大的实用效果,动态规划在计算机科学、数学、经济学、管理学等领域均有重要应用。 在计算机科学领域,动态规划常用于解决最优化问题,如背包问题、图像处理、语音识别、自然语言处理等。同时,在计算机网络和分布式系统中,动态规划也广泛应用于各种优化算法中,如链路优化、路由算法、网络流量控制等。 对于算法领域的程序员而言,动态规划是一种必要的技能和知识点。在LeetCode这样的程序员平台上,题目分类和标签设置十分细致和方便,方便程序员查找并深入学习不同类型的算法。 LeetCode动态规划标签下的题目涵盖了各种难度级别和场景的问题。从简单的斐波那契数列、迷宫问题到可以用于实际应用的背包问题、最长公共子序列等,难度不断递进且话题丰富,有助于开发人员掌握动态规划的实际应用技能和抽象思维模式。 因此,深入LeetCode动态规划分类下的题目学习和练习,对于程序员的职业发展和技能提升有着重要的意义。 ### 回答3: 动态规划是一种常见的算法思想,它通过将问题拆分成子问题的方式进行求解。在LeetCode中,动态规划标签涵盖了众多经典和优美的算法问题,例如斐波那契数列、矩阵链乘法、背包问题等。 动态规划的核心思想是“记忆化搜索”,即将中间状态保存下来,避免重复计算。通常情况下,我们会使用一张二维表来记录状态转移过程中的中间值,例如动态规划求解斐波那契数列问题时,就可以定义一个二维数组f[i][j],代表第i项斐波那契数列中,第j个元素的值。 在LeetCode中,动态规划标签下有众多难度不同的问题。例如,经典的“爬楼梯”问题,要求我们计算到n级楼梯的方案数。这个问题的解法非常简单,只需要维护一个长度为n的数组,记录到达每一级楼梯的方案数即可。类似的问题还有“零钱兑换”、“乘积最大子数组”、“通配符匹配”等,它们都采用了类似的动态规划思想,通过拆分问题、保存中间状态来求解问题。 需要注意的是,动态规划算法并不是万能的,它虽然可以处理众多经典问题,但在某些场景下并不适用。例如,某些问题的状态转移过程比较复杂,或者状态转移方程中存在多个参数,这些情况下使用动态规划算法可能会变得比较麻烦。此外,动态规划算法也存在一些常见误区,例如错用贪心思想、未考虑边界情况等。 总之,掌握动态规划算法对于LeetCode的学习和解题都非常重要。除了刷题以外,我们还可以通过阅读经典的动态规划书籍,例如《算法竞赛进阶指南》、《算法与数据结构基础》等,来深入理解这种算法思想。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值