Leetcode_word-ladder-ii

地址:https://oj.leetcode.com/problems/word-ladder-ii/

Given two words (start and end), and a dictionary, find all shortest transformation sequence(s) from start to end, such that:

  1. Only one letter can be changed at a time
  2. Each intermediate word must exist in the dictionary

For example,

Given:
start = "hit"
end = "cog"
dict = ["hot","dot","dog","lot","log"]

Return

  [
    ["hit","hot","dot","dog","cog"],
    ["hit","hot","lot","log","cog"]
  ]

Note:

  • All words have the same length.
  • All words contain only lowercase alphabetic characters.
思路:做过word-ladder 1的话这题思路应该有了,bfs可以构造最短路径。依旧用两个队列,一个保存当前处理的字符串,一个保存当前字符串的深度,一旦构造出一条路径,最短深度就可以求出。以后的bfs就可以根据最短长度来剪枝了。但是MLE了,嗯MLE好几次了。

网上参考了一份代码( http://yucoding.blogspot.com/2014/01/leetcode-question-word-ladder-ii.html ), 主要是两个unordered_set, 一个是当前bfs要遍历的所有节点集合curs,一个是下次bfs要遍历的节点nxts,在遍历过程中,记录每个单词的所有前驱单词(用于最后构造路径),当检测到nxts中存在end时,说明已找到最短路径了,开始从end到start构建所有路径。

另外一个小细节是在bfs遍历过程中,遍历完curs后,在dict中删除curs中的所有元素,因为最短路径中一个单词只可能出现在某一层,既然在curs中出现了,就不应该在nxts中出现。这也避免了查重,节约了空间存储。

预处理也要注意一下,dict里插入start和end,不然要特殊判断,麻烦.

两次小改动AC,运行时间分别是1100ms+和1200ms+

参考代码

class Solution {
private:
    unordered_map<string, vector<string>>findlast;
    vector<vector<string>>ans;
public:
    void findnext(string cur, unordered_set<string>&dict, unordered_set<string>&nxts)
    {
        string nxt;
        for(int i = 0; i<cur.length(); ++i)
        {
            for(char ch = 'a'; ch<='z'; ++ch)
            {
                if(ch!=cur[i])
                {
                   nxt = cur;
                   nxt[i] = ch;
                   if(dict.find(nxt)!=dict.end())
                   {
                       findlast[nxt].push_back(cur);
                       nxts.insert(nxt);
                   }
                }
            }
        }
    }
    void bulitpath(vector<string>&vec, const string& start, const string& end)
    {
        if(end==start)
        {
            vector<string>v(vec.rbegin(), vec.rend());
            ans.push_back(v);
        }
    
        for(int i = 0; i<findlast[end].size(); ++i)
        {
            vec.push_back(findlast[end][i]);
            bulitpath(vec, start, findlast[end][i]);
            vec.pop_back();
        }
    }
    vector<vector<string>> findLadders(string start, string end, unordered_set<string> &dict) {
        ans.clear();
        unordered_set<string>curs, nxts;
        curs.insert(start);
        dict.insert(start);
        dict.insert(end);
        vector<string>vec;
        vec.push_back(end);
        while(!curs.empty())
        {
            for(auto it = curs.begin(); it != curs.end(); ++it)
                dict.erase(*it);
            for(auto it = curs.begin(); it != curs.end(); ++it)
                findnext(*it, dict, nxts);

            if(nxts.find(end)!=dict.end())
            {
                bulitpath(vec, start, end);
                return ans;
            }

            curs = nxts;
            nxts.clear();
        }
        return ans;
    }
};


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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