35岁年薪百万，被95后领导逼到裸辞。。
老鬼约 4 分钟今天我看到一个特别让人心塞的吐槽。
事情是这样的——一位年薪百万的35岁技术专家，居然被一个95后领导给逼到裸辞了。你没看错，就是95后，还是空降的那种。
事情的导火索，是这位95后领导当面说：“你代码水平不如应届生，薪资倒挂合理，不想干可以走。” 这话说得真够生猛的，听得我差点把手里的咖啡洒了。
试想一下，一个年薪百万的技术大牛，被这么直接地戳到痛点，别说工作，连人设都要崩塌了。😱
有网友给了个“斗志满满”的建议：“为什么不想办法斗一斗，让他裁你呢？” 哎，没那么简单，毕竟这年头，领导不裁人，自己都很难保证能安稳做完项目。
还有人说：“其实很多专家就是PPT写得好。” 我笑了，没错，PPT确实能掩盖很多东西，但技术这事，大家心里还是明白的。
不管领导怎么说，最终的代码还是要靠手上的功夫说话。而且，真心希望那些95后能明白，年纪大不代表“过时”，但更不代表可以随便被忽视。技术无论多少年，都值得尊重。【备注:文末可领最新资料】。
算法题：铺瓷砖
今天我们来聊一聊一个经典的算法题——铺瓷砖。
给大家举个例子吧：假设你有一个长方形的地面，你需要用一些规格相同的正方形瓷砖铺满它。问题是，你能不能用最少的瓷砖数量来完成这个任务呢？说到这里，可能有同学觉得这个问题跟平常的编程题没什么关系，但你要知道，很多简单的现实问题背后都能映射出有趣的算法逻辑。
题目背景
我们有一个 m * n 的矩形地面，要用大小为 1 * 1 的正方形瓷砖去铺满这个矩形，问你最少需要多少个瓷砖才能铺满它。这里的一个核心要点是，铺瓷砖的时候不能让它们重叠，也不能铺出矩形的边界。
是不是听起来有点简单？但是，考虑到 m 和 n 的大小，以及不同的铺设方式，咱们得想想怎么能用最简洁有效的算法来解决它。别急，问题往往越简单，背后藏的技巧越深。
问题分析
其实这个问题可以分为两种情况：
如果 m 和 n 都是整除的，那答案就直接是 m * n，因为每个瓷砖的面积是 1，我们只需要铺满所有的区域就行。 如果 m 和 n 中有任何一个是奇数，那么就需要稍微复杂一点的算法来优化瓷砖的铺设。
其实，这个题目跟动态规划（Dynamic Programming）有点关系。你可以把它看作是一个分治问题。其实我们可以利用递归来解决它，思路是：如果当前的 m 和 n 都大于 1，那么你可以通过划分矩形，递归地求解每个小矩形的最小铺设量。
代码实现
好，既然我们说了这些，下面给大家提供一个 Java 实现的代码，来解决这个问题：
public class TilePaving { // 使用动态规划来解决铺瓷砖问题
public int minTiles(int m, int n) {
// 创建一个二维数组，用来保存中间计算结果，避免重复计算
int[][] dp = new int[m + 1][n + 1];
// 初始化dp数组，对于0x0的矩形铺设0个瓷砖
for (int i = 0; i <= m; i++) {
for (int j = 0; j <= n; j++) {
dp[i][j] = Integer.MAX_VALUE; // 初始化为最大值
}
}
// 对于1x1的矩形，只需要1个瓷砖
dp[1][1] = 1;
// 递归计算每个子问题的最小瓷砖数量
for (int i = 1; i <= m; i++) {
for (int j = 1; j <= n; j++) {
// 横向拆分
for (int k = 1; k <= i / 2; k++) {
dp[i][j] = Math.min(dp[i][j], dp[k][j] + dp[i - k][j]);
}
// 纵向拆分
for (int k = 1; k <= j / 2; k++) {
dp[i][j] = Math.min(dp[i][j], dp[i][k] + dp[i][j - k]);
}
}
}
// 返回最终的最小瓷砖数
return dp[m][n];
}
public static void main(String[] args) {
TilePaving tp = new TilePaving();
int result = tp.minTiles(4, 6); // 举个例子：铺4x6的矩形地面
System.out.println("最少需要瓷砖数量：" + result); // 输出结果
}
}
代码分析
首先，我们定义了一个 dp 数组，用来存储不同尺寸矩形的最小瓷砖数量。这里使用了二维数组，因为铺瓷砖的区域是一个矩形，只有 m 和 n 这两个维度需要考虑。初始化时，我们将 dp[1][1] = 1，意味着 1x1 的矩形只需要一个瓷砖。
接着，我们用双层循环遍历每个矩形区域的大小，尝试对其进行横向和纵向的拆分。每次拆分都会递归计算，直到最小的 1x1 瓷砖。
性能问题
有一个小问题是，这个算法的时间复杂度较高，接近 O(m * n)，因为我们对每个矩形都进行一次拆分。而且我们通过递归计算，会有很多重复计算。为了提高效率，我们可以通过记忆化搜索（Memoization）来优化它，避免不必要的重复计算。
在算法的世界里，很多事情的解决都不是一步到位的，而是一步一步通过拆解、递归、迭代，甚至动态规划来逐步实现的。这种思维方式，也许就是我们程序员与其他人的最大不同吧。
-END-
以上，就是今天的分享了，看完文章记得右下角给何老师点赞，也欢迎在评论区写下你的留言。