博客
关于我
动态规划——丑数、n个骰子的点数
阅读量:345 次
发布时间:2019-03-04

本文共 1205 字,大约阅读时间需要 4 分钟。

1. 丑数

丑数(Ugly Number)是指只包含质因数2、3和5的数。生成丑数的方法可以通过动态规划来实现。每个丑数可以看作是前一个丑数乘以2、3或5的结果。为了找到第n个丑数,我们可以使用以下方法:

def nthUglyNumber(n):    if n == 0:        return 0    dp = [1]  # dp[0] = 1    for _ in range(n):        next_dp = []        for num in dp:            for factor in [2, 3, 5]:                next_dp.append(num * factor)        dp = list(set(next_dp))  # 去重        dp.sort()  # 保持有序    return dp[n-1]

2. n个骰子的点数概率

为了计算n个骰子点数和的概率,我们可以使用动态规划的方法。每个骰子有6个可能的点数,我们需要计算所有可能的点数和及其对应的概率。

def dicesProbability(n):    if n == 0:        return []    # 初始化一个一维数组来保存当前骰子的概率分布    dp = [1.0 / 6.0] * (n * 6 + 1)    for i in range(1, n + 1):        # 创建一个新的数组来保存i个骰子的概率分布        new_dp = [0.0] * (6 * i + 1)        for j in range(1, 6 + 1):            for k in range(i):                new_dp[i + j] += dp[k] * (1.0 / 6.0)        dp = new_dp    # 计算每个可能的点数和的概率    max_sum = 6 * n    min_sum = n    result = [0.0] * (max_sum - min_sum + 1)    for s in range(min_sum, max_sum + 1):        result[s - min_sum] = dp[s]    return result

结果展示

  • 丑数:通过上述方法,可以高效地找到第n个丑数。例如,第1个丑数是1,第2个是2,第3个是4,依此类推。
  • 骰子概率:通过动态规划,可以计算出n个骰子点数和的所有可能值及其概率分布。例如,n=2时,点数和的概率分布为:2: 1/6, 3: 2/6, 4: 3/6, 5: 4/6, 6: 5/6, 7: 6/6。
  • 以上方法保证了代码的高效性和正确性,适用于不同的n值。

    转载地址:http://wese.baihongyu.com/

    你可能感兴趣的文章
    pandas to_latex() 转义数学模式
    查看>>
    Pandas | 频数统计很简单,但这5 种技巧你使用过吗?
    查看>>
    Pandas 中文官档 ~ 基础用法4
    查看>>
    pandas 中的 for 循环真的很糟糕吗?我什么时候应该关心?
    查看>>
    Pandas 中的多索引旋转
    查看>>
    Pandas 中的日期范围
    查看>>
    pandas 中的时间序列箱线图
    查看>>
    Pandas 使用指南
    查看>>
    pandas 分组并使用最小值更新
    查看>>
    pandas 叶上的热图
    查看>>
    pandas 均值(mean), 均值填充NA(fill_na)
    查看>>
    Pandas 对数据框的布尔比较
    查看>>
    Pandas 将多个数据帧与时间戳索引对齐
    查看>>
    pandas 将通话数据分割为15分钟的间隔
    查看>>
    pandas 找到局部最大值和最小值
    查看>>
    Pandas 按年份分组,按销售列排名,在具有重复数据的数据框中
    查看>>
    pandas 按日期和年份分组,并汇总金额
    查看>>
    pandas 数据帧到PostgreSQL表中使用的是没有SQLAlChemy的心理复制2吗?
    查看>>
    pandas 数据帧多行查询
    查看>>
    Pandas 数据框:使用线性插值重新采样
    查看>>