一.前言
最近一直在了解动态规划,这是LeetCode上面的一道动规的题。
给定一个正整数 n
,将其拆分为 k
个 正整数 的和( k >= 2
),并使这些整数的乘积最大化。
返回 你可以获得的最大乘积 。
示例1:
输入: n = 2
输出: 1
解释: 2 = 1 + 1, 1 × 1 = 1。
示例2:
输入: n = 10
输出: 36
解释: 10 = 3 + 3 + 4, 3 × 3 × 4 = 36。
二.思路
说到动态规划,我认为最重要的就是确定自己的 dp数组
的含义,其次就是 递推公式
了。
- 确定
dp[i]
的含义
我们重新浏览一遍题,给定一个正整数 n
,需要将它分成若干个整数,返回最大的乘积。因此我们可以定义 dp[i]
表示每个正整数拆分为若干个正整数所对应的最大乘积,若要确定 dp[i]
的值,我们可以根据 dp[i]
以前的元素进行运算从而得到最大的
dp[i]
的值。
- 确定
dp[i]
的值
dp[i]
的值是由两种方式来共同确定的。
第一,dp[i] = dp[i - j] * j
其中 i
代表外层循环, j
代表内层循环,j
从 1
开始逐个求出 dp[i]
,最后取最大值。
第二,dp[i]
= (i - j) * j
,同上,也是取最大值。上面那种方式是将 i
分成了 n
个 (n > 2)
。而这种方式是将 i
分成了n
个 (n = 2)
。
- 确定递推公式
其实到这里,递推公式大致样式也就出来了:
dp[i] = Math.max(dp[i], Math.max(dp[i - j] * j, (i - j) * j))
,那么可能会有人问为什么还要比较一次 dp[i]
呢?因为我们内层循环中一周后,会算出很多 dp[i]
,我们只需要保存最大的 dp[i]
。
三.代码
class Solution {
public int integerBreak(int n) {
int[] dp = new int[n + 1];
//dp[2]对应的值应该是1,而dp[2]之前的元素在此问题中无实际意义,因此无需初始化
dp[2] = 1;
for(int i = 3; i <= n; i++){
for(int j = 1; j <= i - j; j++){
dp[i] = Math.max(dp[i], Math.max(dp[i - j] * j, j * (i - j)));
}
}
return dp[n];
}
}
时间复杂度 O(n^2)
- 题外话
这道题用动态规划的话时间复杂度似乎有点高,其实这道题可以用数学方法来写的,这里用到一个结论:当整数n
尽可能地等分为3
时乘积最大。如果感兴趣的同学可以去证明一下。
class Solution {
public int integerBreak(int n) {
if(n <= 3) return n - 1;
int a = n / 3, b = n % 3;
//当 n 分刚好能分成若干个 3 时
if(b == 0) return (int)Math.pow(3, a);
//当 n 尽可能分成 3 时,余出一个 1
if(b == 1) return (int)Math.pow(3, a - 1) * 4;
//当 n 尽可能分成 3 时,余出一个 2
return (int)Math.pow(3, a) * 2;
}
}
时间复杂度:O(1)
网友评论