利用数位DP高效计算指定范围内数位和小于等于X的整数数量

花韻仙語
发布: 2025-11-17 13:38:02
原创
509人浏览过

利用数位DP高效计算指定范围内数位和小于等于X的整数数量

本文详细介绍了如何使用数位动态规划(digit dp)算法,高效计算在给定大范围 `[1, n]` 内,其数位和小于或等于特定值 `x` 的整数数量。针对 `n` 值可达 `10^12` 的情况,传统遍历方法效率低下,数位dp通过递归分解问题并结合记忆化搜索,将时间复杂度优化至对数级别,有效解决了大规模数据下的计数挑战。

问题背景与挑战

在程序设计中,我们经常需要处理关于数字性质的计数问题。一个常见的问题是:给定一个整数 n 和一个最大数位和 x,我们需要找出在范围 [1, n] 内,有多少个整数的数位之和小于或等于 x。

例如,如果 n = 112 且 x = 5,我们需要统计 0 到 112 之间(通常包含 0,如果问题要求从 1 开始,最后减去 0 的情况即可)数位和小于等于 5 的数字。

对于较小的 n 值,一个简单的遍历方法是可行的:

def digitsums_lower_than_x_naive(x_limit, n_upper_bound):
    """
    计算 [1, n_upper_bound] 范围内数位和小于等于 x_limit 的数字数量。
    此方法对于大 n_upper_bound 效率低下。
    """
    digit_sum_func = lambda y: sum(int(digit) for digit in str(y))
    count = 0
    for i in range(1, n_upper_bound + 1):
        if digit_sum_func(i) <= x_limit:
            count += 1
    return count
登录后复制

然而,当 n 的值非常大,例如达到 10^12 时,上述方法的时间复杂度为 O(n * log n)(计算每个数的数位和需要 log n 时间),这将导致计算时间过长,无法满足性能要求。这时,我们需要一种更高效的算法,数位动态规划(Digit DP)便是解决此类问题的理想选择。

数位动态规划(Digit DP)核心思想

数位DP的核心思想是将一个大数的计数问题分解为子问题,通过递归地考虑数字的每一位来构建解决方案,并利用记忆化搜索(memoization)避免重复计算。

我们定义一个函数 count_numbers(upper_bound_str, sum_limit),它返回小于或等于 upper_bound_str 所代表的数字,且数位和小于或等于 sum_limit 的整数数量。

考虑一个数字 N(作为字符串 upper_bound_str 表示)和允许的最大数位和 x_limit。我们的目标是计算 [0, N] 范围内满足条件的数字个数。

算法的递归结构如下:

  1. 处理最高位: 遍历从 0 到 N 的最高位数字 D。
  2. 分解问题:
    • 情况一:当前位 d 小于 N 的当前位 D。 这意味着从当前位开始,后续的数字位可以取 0 到 9 之间的任何值,而不会超过 N。因此,这部分子问题可以转化为计算所有长度为 k(剩余位数)的数字,其数位和为 sum_limit - d 的数量。这可以看作是 count_numbers('9' * k, sum_limit - d)。
    • 情况二:当前位 d 等于 N 的当前位 D。 这意味着后续的数字位仍然受到 N 的剩余部分的限制。我们需要递归地处理 N 的下一位,并更新 sum_limit 为 sum_limit - d。这可以看作是 count_numbers(N[1:], sum_limit - d)。
  3. 记忆化: 使用一个缓存(字典或数组)来存储已经计算过的子问题的结果,避免重复计算。子问题的状态通常由当前处理到的数字位数、当前的数位和限制以及是否受到 N 的限制等信息组成。

示例解析:计算 DS(112, 5)

让我们通过计算 DS(112, 5)(即 N=112,数位和限制 x=5)来理解这个过程。

即构数智人
即构数智人

即构数智人是由即构科技推出的AI虚拟数字人视频创作平台,支持数字人形象定制、短视频创作、数字人直播等。

即构数智人 36
查看详情 即构数智人

DS(upper_bound, sum_limit) 表示在 [0, upper_bound] 范围内,数位和小于等于 sum_limit 的数字数量。

  1. DS(112, 5)

    • 112 是一个三位数。
    • 最高位可以是 0 或 1。
    • 当最高位为 0 时: 相当于计算 DS(99, 5)(即所有两位数,数位和小于等于 5 的数量,因为最高位为 0,实际是处理两位数)。
    • 当最高位为 1 时: 剩余的数位和限制变为 5 - 1 = 4。剩下的数字由 12 限制。相当于计算 DS(12, 4)。
    • 所以,DS(112, 5) = DS(99, 5) + DS(12, 4)
  2. 计算 DS(99, 5)

    • 99 是一个两位数。
    • 最高位可以是 0, 1, 2, 3, 4, 5 (因为 sum_limit 是 5)。
    • 当最高位为 d 时,剩余数位和限制为 5 - d。由于 d 总是小于 9 (N的最高位),所以后续位可以取 0-9。
    • DS(99, 5) = DS(9, 5) + DS(9, 4) + DS(9, 3) + DS(9, 2) + DS(9, 1) + DS(9, 0)
      • DS(9, k) 表示个位数小于等于 9 且值小于等于 k 的数量。
      • DS(9, 5): 0,1,2,3,4,5 (6个)
      • DS(9, 4): 0,1,2,3,4 (5个)
      • DS(9, 3): 0,1,2,3 (4个)
      • DS(9, 2): 0,1,2 (3个)
      • DS(9, 1): 0,1 (2个)
      • DS(9, 0): 0 (1个)
    • DS(99, 5) = 6 + 5 + 4 + 3 + 2 + 1 = 21
  3. 计算 DS(12, 4)

    • 12 是一个两位数。
    • 最高位可以是 0 或 1。
    • 当最高位为 0 时: 相当于计算 DS(9, 4)。
    • 当最高位为 1 时: 剩余的数位和限制变为 4 - 1 = 3。剩下的数字由 2 限制。相当于计算 DS(2, 3)。
    • 所以,DS(12, 4) = DS(9, 4) + DS(2, 3)
      • DS(9, 4): 0,1,2,3,4 (5个)
      • DS(2, 3): 0,1,2 (3个)
    • DS(12, 4) = 5 + 3 = 8
  4. 最终结果:

    • DS(112, 5) = DS(99, 5) + DS(12, 4) = 21 + 8 = 29

Python 实现

以下是基于上述数位DP思想的Python实现。函数 D 是核心的递归函数,它接受当前数字的字符串表示(x_str,即 N 的剩余部分),允许的剩余数位和 n_sum_limit,以及一个缓存 cache。

def count_with_digit_sum_limit(upper_bound_str, sum_limit, cache):
    """
    递归函数,计算小于或等于 upper_bound_str 且数位和小于等于 sum_limit 的数字数量。

    参数:
    upper_bound_str (str): 当前处理的上限数字的字符串表示。
    sum_limit (int): 允许的剩余数位和上限。
    cache (dict): 记忆化搜索的缓存,存储 (upper_bound_str, sum_limit) -> 结果。

    返回:
    int: 符合条件的数字数量。
    """

    # 基本情况:如果 sum_limit 小于 0,说明已经超出了允许的数位和,返回 0。
    if sum_limit < 0:
        return 0

    # 基本情况:如果只剩一位数字
    if len(upper_bound_str) == 1:
        # 这一位可以取 0 到 min(sum_limit, int(upper_bound_str[0]))
        # 例如,upper_bound_str='5', sum_limit=3, 那么可以取0,1,2,3 (4个)
        # 例如,upper_bound_str='2', sum_limit=5, 那么可以取0,1,2 (3个)
        return min(sum_limit, int(upper_bound_str[0])) + 1

    # 检查缓存,避免重复计算
    state = (upper_bound_str, sum_limit)
    if state in cache:
        return cache[state]

    # 获取当前最高位数字
    top_digit = int(upper_bound_str[0])
    # 构造一个由 '9' 组成的字符串,长度比当前数字少一位,用于表示“无上限”的子问题
    nines_suffix = '9' * (len(upper_bound_str) - 1)

    current_count = 0
    # 遍历当前位可能取的值 d
    # d 从 0 开始,直到 min(sum_limit, top_digit)
    for d in range(min(sum_limit, top_digit) + 1):
        if d < top_digit:
            # 如果当前位 d 小于 top_digit,则后续位可以取 0-9,不受 upper_bound_str 限制
            # 递归调用,处理由 '9' 组成的后缀,剩余数位和为 sum_limit - d
            current_count += count_with_digit_sum_limit(nines_suffix, sum_limit - d, cache)
        else: # d == top_digit
            # 如果当前位 d 等于 top_digit,则后续位仍受 upper_bound_str 的剩余部分限制
            # 递归调用,处理 upper_bound_str 的剩余部分,剩余数位和为 sum_limit - d
            current_count += count_with_digit_sum_limit(upper_bound_str[1:], sum_limit - d, cache)

    # 将结果存入缓存
    cache[state] = current_count
    return current_count

def calculate_digit_sum_count(n_upper_bound, x_limit):
    """
    主函数,计算 [0, n_upper_bound] 范围内数位和小于等于 x_limit 的数字数量。

    参数:
    n_upper_bound (int): 范围上限。
    x_limit (int): 允许的最大数位和。

    返回:
    int: 符合条件的数字数量。
    """
    # 将 n_upper_bound 转换为字符串以便按位处理
    n_str = str(n_upper_bound)
    # 初始化缓存
    cache = {}
    return count_with_digit_sum_limit(n_str, x_limit, cache)

# 示例调用
print(f"DS(112, 5) = {calculate_digit_sum_count(112, 5)}") # 预期输出 29
print(f"DS(9, 2) = {calculate_digit_sum_count(9, 2)}") # 预期输出 3 (0, 1, 2)
print(f"DS(19, 2) = {calculate_digit_sum_count(19, 2)}") # 预期输出 6 (0,1,2,10,11,12) -> 0(0),1(1),2(2),10(1),11(2),12(3) -> 0,1,2,10,11
                                                        # DS(9,2) + DS(9,1) = 3 + 2 = 5 (0-99) + DS(9,2) + DS(0,1)
                                                        # DS(9,2) = 3 (0,1,2)
                                                        # DS(9,1) = 2 (0,1)
                                                        # DS(19,2) = DS(9,2) + DS(9,1) = 3 + 2 = 5
                                                        # Let's re-verify DS(19,2) = DS(9,2) + DS(9,1)
                                                        # DS(19,2) = count_numbers('19', 2, cache)
                                                        # d=0: count_numbers('9', 2, cache) = 3 (0,1,2)
                                                        # d=1: count_numbers('9', 2-1=1, cache) = 2 (0,1) -> (10, 11)
                                                        # Total = 3 + 2 = 5. Correct for 0-19.
登录后复制

注意事项与优化

  1. 范围包含 0: 上述 calculate_digit_sum_count 函数计算的是 [0, n_upper_bound] 范围内的数字。如果题目要求从 1 开始计数(即 [1, n]),则最终结果需要减去 digit_sum(0) 的情况。由于 digit_sum(0) 总是 0,且 0 <= x_limit 几乎总是成立,所以通常是 result - 1。
  2. 参数命名: 在原始问题中,x 是数位和限制,n 是范围上限。在提供的答案代码中,D(x, n, cache) 的 x 实际上是范围上限的字符串表示,n 是数位和限制。在我的代码中,我使用了更具描述性的 upper_bound_str 和 sum_limit 来避免混淆。
  3. 缓存键: 缓存的键 (upper_bound_str, sum_limit) 确保了每个子问题状态的唯一性。
  4. 时间复杂度: 考虑 N 有 L 位(L = log10(N)),x_limit 最大约为 9 * L。
    • 递归深度最大为 L。
    • 在每个递归层,循环 d 的次数最多为 min(sum_limit, 9) + 1,大约是 min(9L, 9),也就是常数 10。
    • 缓存中状态的数量约为 L * x_limit,即 L * 9L = 9L^2。
    • 因此,总的时间复杂度大致为 O(L * 10 * 1)(每个状态计算一次) = O(L * min(x_limit, 9))。更准确地说,是 O(L * x_limit),因为 x_limit 可以达到 9L。对于 N=10^12,L=12,x_limit 最大约 108。所以复杂度约为 12 * 108,这是一个非常小的常数,远优于 N。
  5. 空间复杂度: 主要取决于缓存的大小,即 O(L * x_limit)。

总结

数位动态规划是解决涉及数字位数的计数问题的强大工具,特别适用于处理大范围 N 的情况。通过将问题分解为更小的、具有重叠子结构的问题,并结合记忆化搜索,它能够将指数级或线性级的朴素算法优化到多项式或对数级别。理解其核心思想——如何根据当前位与上限数字的关系来递归地构建子问题,以及如何有效地利用缓存——是掌握数位DP的关键。

以上就是利用数位DP高效计算指定范围内数位和小于等于X的整数数量的详细内容,更多请关注php中文网其它相关文章!

最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号