你还在用二分法求2个鸡蛋100层楼的问题吗?

本文围绕经典面试题“2个鸡蛋100层楼,如何用最少试验次数得到鸡蛋落下不碎的最高层数”展开,分析了遍历查找、二分法、平方根法等解法,最终通过反向思考和解方程法得出最优解,最坏尝试次数为14次。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目

2个鸡蛋,100层楼,如何用最少的试验次数得到在鸡蛋落下不碎的最高层数?这一据说曾被谷歌纳入校园招聘题库的经典面试题,想必许多人都曾遇到过,又有多少人与我一样,不加思索就直接回答用二分法查找的?

但是,二分法真的是最优试验方法吗?接下来我们来分析几种解法。

首先我们先认真看一下完整的题目(之前做过这道题的同学可以跳过这一步):

原题:两个软硬程度一样但未知的鸡蛋,它们有可能都在一楼扔下来就摔碎,也有可能从100层楼上扔下来也没事。有座100层的楼,要你用这两个鸡蛋确定哪一层是鸡蛋可以安全落下的最高位置。可以摔碎两个鸡蛋,在最坏情况下,如何用最少的试验次数得到鸡蛋落下不会被摔碎的最高层数?

解法

最笨的方法:遍历查找

把其中的一个鸡蛋,从第1层开始往下扔。如果第一层没碎,换到第2层扔;如果第2层没碎,换到第3层扔…假设第50层没碎,第51层碎了,说明鸡蛋落下不会摔碎的最高层数为第50层。

这个方法在最坏情况下,需要扔99次。

二分法

采用二分查找的方法:

把第一个鸡蛋从一半楼层(50层)扔下。

如果鸡蛋碎了,则第二个鸡蛋就从第1层开始扔,一层一层增长,直到49层。

如果第一枚鸡蛋在50层没有被摔碎,则继续使用二分法,从剩余的楼层的一半(75层)开始往下扔…

在这里插入图片描述

在最坏情况下,这种二分法需要进行50次试验0。

平方根法

如何让第一个鸡蛋和第二个鸡蛋的尝试次数尽可能均衡?我们做一个平方根运算,100的平方根为10。

因此我们第一个鸡蛋每10层扔一次,第一次从第10层扔,没碎的话再加10层,即从20层扔…一直扔到100层。

第二个鸡蛋从第一个鸡蛋碎掉的n层往下9层,即n-9层开始一层一层往上试。

在这里插入图片描述

这种方法最好的情况为:第一个鸡蛋在第10层碎掉,尝试次数 1 + 9 = 10 次。

最坏的情况为:第一个鸡蛋在第100层碎掉,尝试次数为 10 + 9 = 19 次。

这样子看来平方根的方法算是比较好的方法,那么还有更好的方法吗?

反向思考

我们反向思考一下这个题目:假设题目存在最优解,这个最优解的最坏情况尝试x次,那么我们第一次扔要选择在第几层?

假设第一次扔在x+1层:如果第一个鸡蛋碎了,那么第二个鸡蛋就只能从第1层开始一层一层扔,一直扔到第x层。这样总共尝试了x+1次,与最优解的尝试x次相悖。

假设第一次在x-1层:如果第一个鸡蛋碎了,那么第2个鸡蛋就要从第1层开始扔,一直到x-2层,共尝试了x-2+1=x-1次,虽然没有超出假设次数,但似乎有些过于保守。

假设第一次扔在第x层:

如果第一个鸡蛋碎了,那么第二个鸡蛋只能从第1层开始一层一层扔,一直扔到第x-1层。这样,我们总共尝试了x-1+1 = x次,刚刚好没有超出假设次数。

恰恰是从第x层开始扔,选择高一层或第一层都不合适。

如果第一个鸡蛋没碎,问题就变成了:在100-x层楼往下扔,要求尝试次数不超过x-1次。

那么第二次的尝试次数的上限变为x-1次,所以第2次试验的楼层跨度为x-1层,真实层数为x+x-1层。

在这里插入图片描述

以此类推我们可以列出楼层的方程式: x + (x - 1) + (x - 2) + … + 1 = 100

接下来就是求解方程式,我们将这种方法称为解方程法:

解方程法

x + (x - 1) + (x - 2) + … + 1 = 100 => (x + 1) * x / 2 = 100

向上取整得到x=14

即最优解的最坏尝试次数为14次,第1个鸡蛋开始扔的层数也为14层。

第一个鸡蛋没碎的情况下,所尝试的楼层为:14, 27, 39, 50, 60, 69, 77, 84, 90, 95, 99, 100

假设鸡蛋不会被摔碎的最高楼层为55层,那么第一个鸡蛋尝试的楼层为14,27,39,50,60,在第60层碎了;

第二个鸡蛋从51层开始, 51,52,53,54,55,56,第56层碎了,则尝试次数为5 + 6 = 11 < 14

这道面试题的解法到此到一段落,现在你还会认为二分法是这道题的最优解吗?

其实这道题还可以衍生下面的问题:
总共有M层楼,N个鸡蛋,要找到鸡蛋不被摔碎的最高楼层,需要尝试几次?

这个问题就不在这里展开讨论了,大家可以自行尝试求解。

### 使用Python实现二分法解一元二次方程最优值 为了利用二分法到一元二次方程的最优值,可以采用如下方式构建解决方案。这里假设目标是最小化给定的一元二次函数 \( f(x)=ax^{2}+bx+c \),其中 a>0 表明该抛物线开口向上存在最小值。 #### 函数定义 首先定义待优化的目标函数 `quadratic_func` ,其接受参数 x 并返回对应的 y 值: ```python def quadratic_func(a, b, c, x): """Calculate the value of ax^2 + bx + c at point x.""" return a * x ** 2 + b * x + c ``` #### 设置初始区间与精度控制 设定搜索区间的上下限 `[left, right]` 和终止条件中的误差范围 `epsilon` 。通常情况下,可以根据具体情况调整这些参数以获得更精确的结果或提高效率。 ```python # Define search interval and precision threshold left = -1e6 # Initial lower bound right = 1e6 # Initial upper bound epsilon = 1e-7 # Precision requirement for stopping criterion ``` #### 实现二分查逻辑 接下来按照二分法的思想,在每次迭代过程中选取中间位置作为试探点,并依据两侧函数值得大小关系更新新的边界直到满足收敛标准为止。 ```python while abs(right - left) > epsilon: mid = (left + right) / 2 # Evaluate function values near midpoint with small offset σ delta = 1e-5 # Small step size used to approximate derivative sign fm_left = quadratic_func(a, b, c, mid - delta) fm_right = quadratic_func(a, b, c, mid + delta) if fm_left < fm_right: right = mid # Move towards decreasing side else: left = mid # Otherwise move opposite direction optimal_x = (left + right) / 2 print(f"The optimal solution is approximately {optimal_x}") ``` 此段代码实现了基于二分策略寻一元二次多项式的全局极小值的过程[^4]。需要注意的是,当处理不同类型的方程式时可能需要适当修改上述模板内的细节部分来适应特定需
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值