【动态规划】C++ 算法458:可怜的小猪

简介: 【动态规划】C++ 算法458:可怜的小猪

作者推荐

视频算法专题

本文涉及知识点

动态规划汇总 数学

力扣458:可怜的小猪

有 buckets 桶液体,其中 正好有一桶 含有毒药,其余装的都是水。它们从外观看起来都一样。为了弄清楚哪只水桶含有毒药,你可以喂一些猪喝,通过观察猪是否会死进行判断。不幸的是,你只有 minutesToTest 分钟时间来确定哪桶液体是有毒的。

喂猪的规则如下:

选择若干活猪进行喂养

可以允许小猪同时饮用任意数量的桶中的水,并且该过程不需要时间。

小猪喝完水后,必须有 minutesToDie 分钟的冷却时间。在这段时间里,你只能观察,而不允许继续喂猪。

过了 minutesToDie 分钟后,所有喝到毒药的猪都会死去,其他所有猪都会活下来。

重复这一过程,直到时间用完。

给你桶的数目 buckets ,minutesToDie 和 minutesToTest ,返回 在规定时间内判断哪个桶有毒所需的 最小 猪数 。

示例 1:

输入:buckets = 1000, minutesToDie = 15, minutesToTest = 60

输出:5

示例 2:

输入:buckets = 4, minutesToDie = 15, minutesToTest = 15

输出:2

示例 3:

输入:buckets = 4, minutesToDie = 15, minutesToTest = 30

输出:2

提示:

1 <= buckets <= 1000

1 <= minutesToDie <= minutesToTest <= 100

动态规划

dp[i][j] 表示i只小猪,j回合能发现buckets 桶液体中的毒药。

一只小猪

一回合小猪只能喝一桶,如果同时喝两桶,结果没出来,猪没了。也就是极端情况下:一回合排除一桶。

dp[1][j] = j+1 注意 j为0时,也是符合的。

两只小猪

一回合 第一桶药,两头小猪喝;第二桶药,第一头小猪喝;第三桶药,第二头只小猪喝;第四桶药不喂给小猪。如果两只小猪都死了,第一桶药有毒;如果第一头小猪死了,第二桶有毒;如果第二头小猪死了,第三桶有毒;两只小猪都没死,第四桶有毒。===>>> dp[2][1] = 4
二回合 两头小猪都喂,如果有毒,小猪变成0只,dp[0][1] ; 只喂第一头小猪,如果有毒,猪变成一头 dp[1][1];同理,只喂第二头小猪类似:dp[1][1];不喂任何小猪的液体,两头猪:dp[2][1]。故结果为:dp[0][1] + dp[1][1]+dp[2][1] = 1 + 2 + 2 +4

总结i头猪j回合

喂所有猪的液体 dp[0][j-1]
喂i-1头猪的液体 C i i − 1 ^{i-1}_{i}ii1 *dp[1][j-1]
喂i-2头猪的液体 Ci i − 2 ^{i-2}_iii2*dp[2][j-1]
喂1头猪的液体 Ci 1 ^1_ii1*dp[i-1][j-1]
喂0头猪的液体 Ci 0 ^0_ii0*dp[i][j-1]

喂k头猪液体的最大数量为:Ci k ^k_iik*dp[i-k][j-1]

故dp[i][j] = Sum[ 0 , i ] k ^k_{[0,i]}[0,i]kCi k ^k_iik*dp[i-k][j-1]

空间复杂度: O(mn) m是回合数,不超过100,n是小猪数,不超过1000。

计算一种状态的时间复杂度是:O(n)

故总的时间复杂度 是O(nnm),这是理论值。刚刚超时,实际上不会。

当m等于1时,n=10。 就算1000桶,一回合,也只要10只小猪。所以n的最大值是10,不是1000。

代码

核心代码

class CCombination
{
public:
  CCombination( )
  {
    m_v.assign(1,vector<int>());    
  }
  int Get(int sel, int total)
  {
    while (m_v.size() <= total)
    {
      int iSize = m_v.size();
      m_v.emplace_back(iSize + 1, 1);
      for (int i = 1; i < iSize; i++)
      {
        m_v[iSize][i] = m_v[iSize - 1][i] + m_v[iSize - 1][i-1];
      }
    }
    return m_v[total][sel];
  }
protected:
  vector<vector<int>> m_v;  
};
class Solution {
public:
  int poorPigs(int buckets, int minutesToDie, int minutesToTest) {
    const int iTurn = minutesToTest / minutesToDie;
    CCombination com;
    vector<vector<int>> dp(1,vector<int>(iTurn+1,1));
    while (dp.back().back() < buckets)
    {
      const int iPigNum = dp.size();
      dp.emplace_back(iTurn + 1, 1);
      auto& v = dp.back();
      for (int i = 1; i <= iTurn; i++)
      {
        v[i] = 0;
        for (int k = 0; k <= iPigNum; k++)
        {
          v[i] += com.Get(k,iPigNum) * dp[iPigNum - k][i - 1];
        }
      }
    }
    return dp.size() - 1;
  }
};

测试用例

template<class T>
void Assert(const T& t1, const T& t2)
{
  assert(t1 == t2);
}
template<class T>
void Assert(const vector<T>& v1, const vector<T>& v2)
{
  if (v1.size() != v2.size())
  {
    assert(false);
    return;
  }
  for (int i = 0; i < v1.size(); i++)
  {
    Assert(v1[i], v2[i]);
  }
}
int main()
{
  int buckets = 1000, minutesToDie = 15, minutesToTest;
  {
    Solution sln;
    buckets = 1000, minutesToDie = 15, minutesToTest = 60;
    auto res = sln.poorPigs(buckets, minutesToDie, minutesToTest);
    Assert(5, res);
  }
  {
    Solution sln;
    buckets = 4, minutesToDie = 15, minutesToTest = 15;
    auto res = sln.poorPigs(buckets, minutesToDie, minutesToTest);
    Assert(2, res);
  }
  {
    Solution sln;
    buckets = 4, minutesToDie = 15, minutesToTest = 30;
    auto res = sln.poorPigs(buckets, minutesToDie, minutesToTest);
    Assert(2, res);
  }
}

2023年1月版

class Solution {

public:

int poorPigs(int buckets, int minutesToDie, int minutesToTest) {

vector p;

p.push_back(1);

for (int i = 1; i <= 10; i++)

{

p.push_back(i*p[i - 1]);

}

vector<vector> dp;

dp.assign(11, vector(minutesToTest / minutesToDie + 1,1));

if (buckets <= 1)

{

return 0;

}

for (int i = 1; i <= 10; i++)

{

for (int j = 1; j <= minutesToTest / minutesToDie; j++)

{

int iSum = 0;

for (int k = 0; k <= i; k++)

{

iSum += dp[k][j - 1] * (p[i] / p[k] / p[i - k]);

}

dp[i][j] = iSum;

}

if (dp[i].back() >= buckets)

{

return i;

}

}

return 10;

}

};

2023年6月版

class Solution {

public:

int poorPigs(int buckets, int minutesToDie, int minutesToTest) {

const int iMaxTestNum = minutesToTest / minutesToDie;

//10只猪一轮,可以搞定1024 桶。所以10只猪够用了

const int iMaxPig = 10;

vector<vector> vCom(iMaxPig + 1, vector(iMaxPig + 1, 1));//组合

{

for (int i = 1; i <= iMaxPig; i++)

{

for (int j = 1; j < i; j++)

{//从i个小猪中选择j个的可能

vCom[i][j] = vCom[i - 1][j - 1] + vCom[i-1][j];

}

}

}

vector<vector> dp(iMaxTestNum + 1, vector(iMaxPig + 1, 1));

for (int i = 1; i <= iMaxTestNum; i++)

{

for (int j = 1; j <= iMaxPig; j++)

{

int iSum = 0;

for (int k = 0; k <= j; k++)

{

iSum += vCom[j][k] * dp[i - 1][j - k];

}

dp[i][j] = iSum;

}

}

for (int i = 0; i <= iMaxPig; i++)

{

if (dp[iMaxTestNum][i] >= buckets)

{

return i;

}

}

return -1;

}

};

2023年8月版

class Solution {

public:

int poorPigs(int buckets, int minutesToDie, int minutesToTest) {

int iStep = minutesToTest / minutesToDie;

int iCanFindBucket = 1;

for (int pig = 0; ; pig++)

{

if (iCanFindBucket >= buckets)

{

return pig;

}

iCanFindBucket *= (iStep + 1);

}

return 0;

}

};


相关文章
|
9天前
|
算法 Python
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果;贪心算法在每一步选择局部最优解,追求全局最优;动态规划通过保存子问题的解,避免重复计算,确保全局最优。这三种算法各具特色,适用于不同类型的问题,合理选择能显著提升编程效率。
26 2
|
1月前
|
算法
动态规划算法学习三:0-1背包问题
这篇文章是关于0-1背包问题的动态规划算法详解,包括问题描述、解决步骤、最优子结构性质、状态表示和递推方程、算法设计与分析、计算最优值、算法实现以及对算法缺点的思考。
65 2
动态规划算法学习三:0-1背包问题
|
1月前
|
算法
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
这篇文章介绍了动态规划算法中解决最大上升子序列问题(LIS)的方法,包括问题的描述、动态规划的步骤、状态表示、递推方程、计算最优值以及优化方法,如非动态规划的二分法。
65 0
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
|
1月前
|
算法
动态规划算法学习二:最长公共子序列
这篇文章介绍了如何使用动态规划算法解决最长公共子序列(LCS)问题,包括问题描述、最优子结构性质、状态表示、状态递归方程、计算最优值的方法,以及具体的代码实现。
118 0
动态规划算法学习二:最长公共子序列
|
1月前
|
存储 算法 C++
高精度算法(加、减、乘、除,使用c++实现)
高精度算法(加、减、乘、除,使用c++实现)
417 0
高精度算法(加、减、乘、除,使用c++实现)
|
1月前
|
算法 数据处理 C++
c++ STL划分算法;partition()、partition_copy()、stable_partition()、partition_point()详解
这些算法是C++ STL中处理和组织数据的强大工具,能够高效地实现复杂的数据处理逻辑。理解它们的差异和应用场景,将有助于编写更加高效和清晰的C++代码。
22 0
|
1月前
|
存储 算法
动态规划算法学习一:DP的重要知识点、矩阵连乘算法
这篇文章是关于动态规划算法中矩阵连乘问题的详解,包括问题描述、最优子结构、重叠子问题、递归方法、备忘录方法和动态规划算法设计的步骤。
101 0
|
1月前
|
存储 算法 决策智能
【算法】博弈论(C/C++)
【算法】博弈论(C/C++)
|
1月前
|
存储 算法 C++
【算法】哈希映射(C/C++)
【算法】哈希映射(C/C++)
|
1月前
|
机器学习/深度学习 人工智能 算法
【算法】最长公共子序列(C/C++)
【算法】最长公共子序列(C/C++)