2023-07-21 15:16:51 +08:00
|
|
|
|
# 最大容量问题
|
|
|
|
|
|
|
|
|
|
!!! question
|
|
|
|
|
|
|
|
|
|
输入一个数组 $ht$ ,数组中的每个元素代表一个垂直隔板的高度。数组中的任意两个隔板,以及它们之间的空间可以组成一个容器。容器的容量等于高度和宽度的乘积(即面积),其中高度由较短的隔板决定,宽度是两个隔板的数组索引之差。
|
|
|
|
|
|
|
|
|
|
请在数组中选择两个隔板,使得组成的容器的容量最大,返回最大容量。
|
|
|
|
|
|
|
|
|
|
![最大容量问题的示例数据](max_capacity_problem.assets/max_capacity_example.png)
|
|
|
|
|
|
|
|
|
|
容器由任意两个隔板围成,**因此本题的状态为两个隔板的索引,记为 $[i, j]$** 。
|
|
|
|
|
|
|
|
|
|
根据定义,容量等于高度乘以宽度,其中高度由短板决定,宽度是两隔板的索引之差。设容量为 $cap[i, j]$ ,可得计算公式:
|
|
|
|
|
|
|
|
|
|
$$
|
|
|
|
|
cap[i, j] = \min(ht[i], ht[j]) \times (j - i)
|
|
|
|
|
$$
|
|
|
|
|
|
|
|
|
|
设数组长度为 $n$ ,两个隔板的组合数量(即状态总数)为 $C_n^2 = \frac{n(n - 1)}{2}$ 个。最直接地,**我们可以穷举所有状态**,从而求得最大容量,时间复杂度为 $O(n^2)$ 。
|
|
|
|
|
|
2023-07-21 22:21:33 +08:00
|
|
|
|
### 贪心策略确定
|
2023-07-21 15:16:51 +08:00
|
|
|
|
|
|
|
|
|
当然,这道题还有更高效率的解法。如下图所示,现选取一个状态 $[i, j]$ ,其满足索引 $i < j$ 且高度 $ht[i] < ht[j]$ ,即 $i$ 为短板、 $j$ 为长板。
|
|
|
|
|
|
|
|
|
|
![初始状态](max_capacity_problem.assets/max_capacity_initial_state.png)
|
|
|
|
|
|
|
|
|
|
我们发现,**如果将长板 $j$ 向短板 $i$ 靠近,则容量一定变小**。这是因为在移动长板 $j$ 后:
|
|
|
|
|
|
|
|
|
|
- 宽度 $j-i$ 肯定变小;
|
|
|
|
|
- 高度由短板决定,因此高度只可能不变( $i$ 仍为短板)或变小(移动后的 $j$ 成为短板);
|
|
|
|
|
|
|
|
|
|
![向内移动长板后的状态](max_capacity_problem.assets/max_capacity_moving_long_board.png)
|
|
|
|
|
|
|
|
|
|
反向思考,**我们只有向内收缩短板 $i$ ,才有可能使容量变大**。因为虽然宽度一定变小,**但高度可能会变大**(移动后的短板 $i$ 变长了)。
|
|
|
|
|
|
|
|
|
|
![向内移动长板后的状态](max_capacity_problem.assets/max_capacity_moving_short_board.png)
|
|
|
|
|
|
|
|
|
|
由此便可推出本题的贪心策略:
|
|
|
|
|
|
|
|
|
|
1. 初始状态下,指针 $i$ , $j$ 分列与数组两端。
|
|
|
|
|
2. 计算当前状态的容量 $cap[i, j]$ ,并更新最大容量。
|
|
|
|
|
3. 比较板 $i$ 和 板 $j$ 的高度,并将短板向内移动一格。
|
|
|
|
|
4. 循环执行第 `2.` , `3.` 步,直至 $i$ 和 $j$ 相遇时结束。
|
|
|
|
|
|
|
|
|
|
=== "<1>"
|
|
|
|
|
![最大容量问题的贪心过程](max_capacity_problem.assets/max_capacity_greedy_step1.png)
|
|
|
|
|
|
|
|
|
|
=== "<2>"
|
|
|
|
|
![max_capacity_greedy_step2](max_capacity_problem.assets/max_capacity_greedy_step2.png)
|
|
|
|
|
|
|
|
|
|
=== "<3>"
|
|
|
|
|
![max_capacity_greedy_step3](max_capacity_problem.assets/max_capacity_greedy_step3.png)
|
|
|
|
|
|
|
|
|
|
=== "<4>"
|
|
|
|
|
![max_capacity_greedy_step4](max_capacity_problem.assets/max_capacity_greedy_step4.png)
|
|
|
|
|
|
|
|
|
|
=== "<5>"
|
|
|
|
|
![max_capacity_greedy_step5](max_capacity_problem.assets/max_capacity_greedy_step5.png)
|
|
|
|
|
|
|
|
|
|
=== "<6>"
|
|
|
|
|
![max_capacity_greedy_step6](max_capacity_problem.assets/max_capacity_greedy_step6.png)
|
|
|
|
|
|
|
|
|
|
=== "<7>"
|
|
|
|
|
![max_capacity_greedy_step7](max_capacity_problem.assets/max_capacity_greedy_step7.png)
|
|
|
|
|
|
|
|
|
|
=== "<8>"
|
|
|
|
|
![max_capacity_greedy_step8](max_capacity_problem.assets/max_capacity_greedy_step8.png)
|
|
|
|
|
|
|
|
|
|
=== "<9>"
|
|
|
|
|
![max_capacity_greedy_step9](max_capacity_problem.assets/max_capacity_greedy_step9.png)
|
|
|
|
|
|
2023-07-21 21:54:51 +08:00
|
|
|
|
### 代码实现
|
|
|
|
|
|
|
|
|
|
如下代码所示,循环最多 $n$ 轮,**因此时间复杂度为 $O(n)$** 。变量 $i$ , $j$ , $res$ 使用常数大小额外空间,**因此空间复杂度为 $O(1)$** 。
|
2023-07-21 15:16:51 +08:00
|
|
|
|
|
|
|
|
|
=== "Java"
|
|
|
|
|
|
|
|
|
|
```java title="max_capacity.java"
|
|
|
|
|
[class]{max_capacity}-[func]{maxCapacity}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
=== "C++"
|
|
|
|
|
|
|
|
|
|
```cpp title="max_capacity.cpp"
|
|
|
|
|
[class]{}-[func]{maxCapacity}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
=== "Python"
|
|
|
|
|
|
|
|
|
|
```python title="max_capacity.py"
|
|
|
|
|
[class]{}-[func]{max_capacity}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
=== "Go"
|
|
|
|
|
|
|
|
|
|
```go title="max_capacity.go"
|
|
|
|
|
[class]{}-[func]{maxCapacity}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
=== "JavaScript"
|
|
|
|
|
|
|
|
|
|
```javascript title="max_capacity.js"
|
|
|
|
|
[class]{}-[func]{maxCapacity}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
=== "TypeScript"
|
|
|
|
|
|
|
|
|
|
```typescript title="max_capacity.ts"
|
|
|
|
|
[class]{}-[func]{maxCapacity}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
=== "C"
|
|
|
|
|
|
|
|
|
|
```c title="max_capacity.c"
|
|
|
|
|
[class]{}-[func]{maxCapacity}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
=== "C#"
|
|
|
|
|
|
|
|
|
|
```csharp title="max_capacity.cs"
|
|
|
|
|
[class]{max_capacity}-[func]{maxCapacity}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
=== "Swift"
|
|
|
|
|
|
|
|
|
|
```swift title="max_capacity.swift"
|
|
|
|
|
[class]{}-[func]{maxCapacity}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
=== "Zig"
|
|
|
|
|
|
|
|
|
|
```zig title="max_capacity.zig"
|
|
|
|
|
[class]{}-[func]{maxCapacity}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
=== "Dart"
|
|
|
|
|
|
|
|
|
|
```dart title="max_capacity.dart"
|
|
|
|
|
[class]{}-[func]{maxCapacity}
|
|
|
|
|
```
|
|
|
|
|
|
2023-07-21 22:21:33 +08:00
|
|
|
|
### 正确性证明
|
2023-07-21 15:16:51 +08:00
|
|
|
|
|
|
|
|
|
之所以贪心比穷举更快,是因为每轮的贪心选择都会“跳过”一些状态。
|
|
|
|
|
|
|
|
|
|
比如在状态 $cap[i, j]$ 下,$i$ 为短板、$j$ 为长板。若贪心地将短板 $i$ 向内移动一格,会导致以下状态被“跳过”,**意味着之后无法验证这些状态的容量大小**。
|
|
|
|
|
|
|
|
|
|
$$
|
|
|
|
|
cap[i, i+1], cap[i, i+2], \cdots, cap[i, j-2], cap[i, j-1]
|
|
|
|
|
$$
|
|
|
|
|
|
|
|
|
|
![移动短板导致被跳过的状态](max_capacity_problem.assets/max_capacity_skipped_states.png)
|
|
|
|
|
|
|
|
|
|
观察发现,**这些被跳过的状态实际上就是将长板 $j$ 向内移动的所有状态**。而在第二步中,我们已经证明内移长板一定会导致容量变小,也就是说这些被跳过的状态的容量一定更小。
|
|
|
|
|
|
|
|
|
|
也就是说,被跳过的状态都不可能是最优解,**跳过它们不会导致错过最优解**。
|
|
|
|
|
|
|
|
|
|
以上的分析说明,**移动短板的操作是“安全”的**,贪心策略是有效的。
|