问题是,给定许多块,有多少种方法可以使用有限数量的块来建造楼梯,其中任何两个相邻台阶之间总是有任何倾斜。
这意味着从 100 到 1 步的两步楼梯是有效的。当然,更多的块意味着你可以有更多的步骤。
我编写了一个函数来实现这一点,尽管当它到达更多的块时非常慢,我不确定如何改进它的运行时。
如果你想快速分解我的逻辑,从逻辑上讲,通过递归地将最高步扩展到两个步骤的所有可能排列(这仍然会使第二步高于前一步的第二步(,最终你会得到所有可能的步骤排列。
也许有一种更数学的方法可以做到这一点,但我是从编程 pov 开始的。欢迎听到任何不同的建议,如果我的方法太慢了!
def solution(n):
cases = 0
q = [[x, n - x] for x in range(n) if x > n - x and n - x > 0]
while q:
curr = q.pop(0)
cases += 1
q += [[x, curr[0] - x, *curr[1:]] for x in range(curr[1], curr[0] - curr[1]) if x > curr[0] - x > curr[1]]
return cases
输出,以显示它有效
>>> solution(15)
[8, 7]
[9, 6]
[10, 5]
[11, 4]
[12, 3]
[13, 2]
[14, 1]
[6, 5, 4]
[7, 5, 3]
[8, 4, 3]
[7, 6, 2]
[8, 5, 2]
[9, 4, 2]
[10, 3, 2]
[8, 6, 1]
[9, 5, 1]
[10, 4, 1]
[11, 3, 1]
[12, 2, 1]
[6, 4, 3, 2]
[6, 5, 3, 1]
[7, 4, 3, 1]
[7, 5, 2, 1]
[8, 4, 2, 1]
[9, 3, 2, 1]
[5, 4, 3, 2, 1]
26
这是一种替代的递归/回溯方法:
def solve_recursive(n):
solutions = []
def f(sol, i, n):
if n == 0 and len(sol) >= 2:
solutions.append(sol)
for j in range(i+1, n+1):
sol.append(j)
f(sol, j, n-j)
sol.pop()
f([], 0, n)
return len(solutions)
它比你的版本更有效一些,在 n=105 时,这在我的电脑上需要3.3s
,而你发布的版本中13.4s
。
这个想法是使用越来越高的值递归填充存储桶,以便满足要求。
如果我们只对计数感兴趣,而不是路径,我们可以通过省略路径簿记来获得更快的速度:
from functools import lru_cache
def solution_faster(n):
@lru_cache(maxsize=None)
def f(i, cnt, n):
if n == 0 and cnt >= 2:
return 1
ans = 0
for j in range(i+1, n+1):
ans += f(j, cnt+1, n-j)
return ans
return f(0, 0, n)
这需要0.04s
在我的计算机上 n=105。但是,通过删除cnt
,我们也可以做得更好!
def solution_even_faster(n):
@lru_cache(maxsize=None)
def f(i, n):
if n == 0:
return 1
ans = 0
for j in range(i+1, n+1):
ans += f(j, n-j)
return ans
ans = 0
for j in range(1, n//2 + 1):
ans += f(j, n-j)
return ans
现在我们有O(N^3)
(伪多项式(时间复杂度。这需要0.008s
我的电脑。
动态编程方法也可以O(N^2)
解决方案。我建议查看此参考:https://www.geeksforgeeks.org/count-of-subsets-with-sum-equal-to-x/
dp[i][j]
表示使用前i
步骤获取j
块的方法数。
在第 0 行中,只有dp[0][0]
为 1,其他所有内容均为 0,因为最初使用 0 步,您可以以一种方式获得 0 块。
对于其他行,dp[i][j] = dp[i - 1][j] + dp[i - 1][j - i]
因为dp[i - 1][j]
是获得j
块的方法的旧数量,并且在使用大小i
块后,dp[i - 1][j - i]
也将有助于dp[i][j]
。
这使用O(n ^ 2)
空间复杂性。但是,您可以通过观察当前行仅依赖于前一行来将其减少到O(n)
。因此,这减少了空间以O(n)
.但时间复杂度保持不变,这是O(n ^ 2)
。
def solution(n):
# we can reach 0 in 1 way which using no blocks
prev = [0 for _ in range(n + 1)]
prev[0] = 1
# start from n - 1 block and go up to 1
for i in range(n - 1, 0, -1):
curr = list(prev)
for j in range(i, n + 1):
curr[j] = curr[j] + prev[j - i]
prev = list(curr)
return prev[-1]
这里的prev
表示dp[i-1]
,curr
表示dp[i]