暴力+模拟=yyds

暴力和模拟是常见的算法策略，适用于不同类型的问题。尽管它们有各自的特点，但在某些情况下可以结合使用。接下来，我将分别介绍这两种策略，并通过具体示例来说明它们的应用。

暴力策略（Brute Force）

暴力策略是一种直接、简单但通常效率较低的算法方法。它通过穷举所有可能的解，找到最优解或所有解。尽管这种方法在大多数情况下效率不高，但它非常直观，且适用于小规模问题或作为复杂算法的基础。

特点

1. 简单直观：实现起来比较容易，适合初学者。
2. 穷举所有可能的解：确保找到最优解或所有解，但时间复杂度通常较高。
3. 适用于小规模问题：在问题规模较小时，暴力算法是可行的。

示例

求数组中的两个元素，使得它们的和等于给定值

假设我们有一个数组 arr 和一个目标值 target，需要找到数组中两个元素的和等于 target。

def two_sum_brute_force(arr, target):
    n = len(arr)
    for i in range(n):
        for j in range(i + 1, n):
            if arr[i] + arr[j] == target:
                return (i, j)
    return None

# 示例用法
arr = [2, 7, 11, 15]
target = 9
print(two_sum_brute_force(arr, target))  # 输出 (0, 1)

模拟策略（Simulation）

模拟策略通过模拟问题的实际过程或行为来找到解。这种方法常用于解决涉及物理现象、游戏机制或系统行为的问题。模拟策略通常需要一步一步地模拟问题的演变过程。

特点

1. 逼真地模拟实际情况：适用于需要精确模拟问题演变过程的问题。
2. 灵活性高：可以根据具体问题调整模拟过程。
3. 适用于复杂系统：如物理模拟、金融模型、游戏机制等。

示例

模拟一个简单的游戏机制

假设我们要模拟一个简单的游戏，每个玩家轮流掷骰子，首先得到的总点数达到或超过目标值的玩家获胜。

import random

def simulate_dice_game(target_score):
    player1_score = 0
    player2_score = 0
    turn = 1  # 1表示玩家1的回合，2表示玩家2的回合

    while player1_score < target_score and player2_score < target_score:
        roll = random.randint(1, 6)
        if turn == 1:
            player1_score += roll
            print(f"Player 1 rolls {roll}, total score: {player1_score}")
            if player1_score >= target_score:
                print("Player 1 wins!")
                return
            turn = 2
        else:
            player2_score += roll
            print(f"Player 2 rolls {roll}, total score: {player2_score}")
            if player2_score >= target_score:
                print("Player 2 wins!")
                return
            turn = 1

# 示例用法
simulate_dice_game(20)  # 模拟游戏，目标分数为20

Sum up：

• 暴力策略（Brute Force）：通过穷举所有可能的解来找到问题的解，简单直观但效率较低，适用于小规模问题。
• 模拟策略（Simulation）：通过模拟问题的实际过程来找到解，逼真地模拟实际情况，适用于需要精确模拟问题演变过程的问题。

​

 分糖果II[简单]

题目：

排排坐，分糖果。

我们买了一些糖果 candies，打算把它们分给排好队的 n = num_people 个小朋友。

给第一个小朋友 1 颗糖果，第二个小朋友 2 颗，依此类推，直到给最后一个小朋友 n 颗糖果。

然后，我们再回到队伍的起点，给第一个小朋友 n + 1 颗糖果，第二个小朋友 n + 2 颗，依此类推，直到给最后一个小朋友 2 * n 颗糖果。

重复上述过程（每次都比上一次多给出一颗糖果，当到达队伍终点后再次从队伍起点开始），直到我们分完所有的糖果。注意，就算我们手中的剩下糖果数不够（不比前一次发出的糖果多），这些糖果也会全部发给当前的小朋友。

返回一个长度为 num_people、元素之和为 candies 的数组，以表示糖果的最终分发情况（即 ans[i] 表示第 i 个小朋友分到的糖果数）。

示例 1：

输入：candies = 7, num_people = 4
输出：[1,2,3,1]
解释：
第一次，ans[0] += 1，数组变为 [1,0,0,0]。
第二次，ans[1] += 2，数组变为 [1,2,0,0]。
第三次，ans[2] += 3，数组变为 [1,2,3,0]。
第四次，ans[3] += 1（因为此时只剩下 1 颗糖果），最终数组变为 [1,2,3,1]。

示例 2：

输入：candies = 10, num_people = 3
输出：[5,2,3]
解释：
第一次，ans[0] += 1，数组变为 [1,0,0]。
第二次，ans[1] += 2，数组变为 [1,2,0]。
第三次，ans[2] += 3，数组变为 [1,2,3]。
第四次，ans[0] += 4，最终数组变为 [5,2,3]。

提示：

• 1 <= candies <= 10^9
• 1 <= num_people <= 1000

题目分析：

         这道题直接可以暴力模拟，然后取模记录数据，加到dp列表里面，然后返回dp列表就可以了。

代码实现：

class Solution:
    def distributeCandies(self, candies: int, num_people: int) -> List[int]:
        a=1
        dp=[0]*(num_people+1)
        n=1
        dp[1]=1
        while a<=candies:
            n+=1
            if n%num_people==0:
                h=num_people
            else: h=n%num_people
            a=((n+1)*(n+2))//2  # 预测下一个
            dp[h]+=n
        ch=candies-(n*(n+1))//2
        if h!=num_people:
            dp[h+1]+=ch
        else:
            dp[1]+=ch
        return dp[1:]

总结：

         这段代码可以实现将指定数量的糖果分给指定数量的人。它通过一个循环来逐步分发糖果，直到所有糖果都被分完。然后调整分发列表以考虑可能的剩余糖果，并返回最终的分发列表。

​