前言

动态规划是大家都熟悉与陌生的知识，非常灵活多变，我自己也不敢说自己掌握了，今天给大家介绍一道题，不仅局限于动态规划做题，还会上升到信息论，乃至于启发自己认知世界的角度
因为比较难，本文不会详细介绍动态规划方法，所以需要读者有一定基础，否则可能理解有困难

题目链接：可怜的小猪

有 buckets 桶液体，其中 正好有一桶 含有毒药，其余装的都是水。它们从外观看起来都一样。为了弄清楚哪只水桶含有毒药，你可以喂一些猪喝，通过观察猪是否会死进行判断。不幸的是，你只有 minutesToTest 分钟时间来确定哪桶液体是有毒的。

喂猪的规则如下：

选择若干活猪进行喂养
可以允许小猪同时饮用任意数量的桶中的水，并且该过程不需要时间。
小猪喝完水后，必须有 minutesToDie 分钟的冷却时间。在这段时间里，你只能观察，而不允许继续喂猪。
过了 minutesToDie 分钟后，所有喝到毒药的猪都会死去，其他所有猪都会活下来。
重复这一过程，直到时间用完。

给你桶的数目 buckets ，minutesToDie 和 minutesToTest ，返回 在规定时间内判断哪个桶有毒所需的最小猪数 。

示例 1：

输入： buckets = 1000, minutesToDie = 15, minutesToTest = 60
输出： 5

示例 2：

输入： buckets = 4, minutesToDie = 15, minutesToTest = 15
输出： 2

示例 3：

输入： buckets = 4, minutesToDie = 15, minutesToTest = 30
输出： 2

dp解析

一般来说，动态规划就是三步骤

定义数组含义，多数情况是int值， dp[]或者dp[][]
赋予初始值
找到状态转移方程，开始递推

推到最后，大部分情况下，dp数组最后一个值就是答案

这个题，

题中有buckets,minutesToTest,minutesToDie三个变量，由于正面角度比较难思考，可以反过来，
全问题为n只小猪，能够有限的轮次测试中测出毒药，一轮耗时minutesToDie，总轮数为minutesToTest/minutesToDie

所以，其子问题为i只小猪测试j轮的结果，不影响后续测试，而后续测试需要子问题的结果来递推
满足动态规划的重叠子问题和无后效性原则，同时又是求最值（简称n)，所以确定可以用动态规划（简称dp)

首先定义数组含义
f(i, j)表示i只小猪，测试j轮后最多可以在多少butkets中找到毒药，显然，这是一个二维数组dp[i][j]
然后赋予初始值
dp[0][0] ， dp[i][0]都为1，相当于没有测试，因为知道必有一桶毒，所以bucket = 1时，可以肯定为有毒，dp[0][j]没有猪，也全为1
状态转移
假设现在状态要算f(i, j)，一轮测试后还剩下k只猪存活，而测试剩下j - 1次，可以确定，f(k, j - 1)就是f(i, j )的前一个状态，并将递推出f(i, j)
从i变为k的可能组合数为 C(i, k)，因此f(i, j) = C(i, k) * f(k, j - 1)，其中k的取值为0~i，所以最后的计算如下
$\sum_{k=0}^i f(k, j-1) \times C_{i}^{k}$

到了这步，已经掌握了解题钥匙，更多细节可以参考题解
本文并非想详细介绍题解，更多的是探讨思想

信息论

抛开dp的过程，只看开始和结尾，buckets,minutesToTest,minutesToDie都限定后，通过递推或者某种方式，我们就能得到最少的猪数量n，也就是说，当相关信息量确认好后，答案就确定了

这给我们一个很大提示，那就是，面对一个问题的时候，在耗费时间去做之前，仅仅凭借已经掌握的信息，就能判断出能不做成。注意，这里不是靠经验或者直觉，而是真真实实的科学，若是吸收这一思想，并勤加练习，相当多的难题可以得到解决

那现在我们就来仔细了解下这一理论吧

我们知道，计算机的很多数据看不见摸不着，我们将其统一设置为二进制，使用bit来记录数据，创造纷繁的信息世界。而我们，不知道三维世界的造物主用的几进制，在这个世界的我们无法用自己的信息来精确表达信息本身

熵

不过没关系，我们可以一个模糊的“熵”暂时代替，表示混乱度，越混乱，熵越高

熵增定律：在一个孤立系统里，如果没有外力做功，其总混乱度（熵）会不断增大

对于理科生很好理解，毕竟学过
对于保洁也很好理解，毕竟一个房间如果长期不打扫，肯定会变脏
对于老师也很好理解，毕竟他如果长时间不来教室，教室肯定乱套
对于宅男更好理解，长期不外出不和人交流，一定……

信息熵与信息

在信息论中，信息熵表示信息的不确定程度

比如，我们都知道，同样的内容，中文写的往往比英文薄一些，实际上，就是因为中文的信息不确定程度高，也就是信息熵大，所以所需的信息量就会少，字数也会少，往往掌握1000个汉字就能应付日常说话，很多汉字在不同的组词下有大量不同的含义。而英文，掌握5000单词都未必能说清楚

但是信息熵大未必是好事，信息熵越大，不确定程度越高，其实代表信息量越少，而减少信息熵的方式，就是增加含信息量的信息，不含信息量的信息，可以归类为废话（说到这，我都不认识信息两字了）

所以方向来了！对于一件富含信息熵的事情，我只要掌握足够信息量的信息，与信息熵等价，那么就可以做！

比如，明天是否下雨？，这件事信息熵很大，天气预报的结果，天上的乌云，蚂蚁搬家等等都是多多少少降低信息熵的信息

到了这里，你可以还是会有疑惑，说来说去，最后不还是靠感觉吗？不过是用了一些科学名词归类而已

香农厉害就厉害在这里，讲一个千万年来人说不清的感觉提取出公式，让人类的认知进入了一个全新领域。在信息论提出之后，个人认为能与这一瞬间媲美的只有阿姆斯特朗的那一小步。
公式如下

$-\sum_{i=1}^n p(x_i)\log_b p(x_i)$
看起来挺复杂，但是理解很简单，

其中，H(X)表示随机变量X的信息熵，P(xi)表示X取值为xi的概率，logb表示以b为底的对数。

这里的b表示信息单位的基础，如果你想二进制表示，那么b == 2
x表示事件，xi可以理解为x里面的某种元素，公式就是将X事件中，1~n种元素发生的概率求和而来，n可以理解为可能的所有情况

比如扔一枚硬币，只有两种情况，那么其信息熵为
$-\sum_{i=1}^2 p(x_i)\log_2 p(x_i) = -\left[0.5\log_2(0.5) + 0.5\log_2(0.5)\right] = 1 bit$

也就是说，只要有一个含1bit信息量的信息，就可以消灭信息熵，比如我告诉你，硬币为正面，此时，信息熵消失

解题

回到小猪的话题，题目充满了H(X)信息熵，在minutesToTest,minutesToDie限定下,X为bucket数，x为1000时

$H = - (1/1000) * l o g 2 (1/1000) - (1/1000) * l o g 2 (1/1000) - ... - (1/1000) * l o g 2 (1/1000)$

$= - 1000 * (1/1000) * l o g 2 (1/1000) = l o g 2 (1000) \approx 9.97$
我们可以对这个结果有些感性认识，看起来信息熵的增长不是线性的，而是log，扔硬币这种五五开的事情为1，而1000桶水找1个有毒居然只有9.97，当有10000桶水时，信息熵为log2(10000) = 13.29