leetcode题解-42. Trapping Rain Water

题目:给出 n 个非负整数,代表一张X轴上每个区域宽度为 1 的海拔图, 计算这个海拔图最多能接住多少(面积)雨水。

例子:海拔分别为 [0,1,0,2,1,0,1,3,2,1,2,1], 返回 6.
这里写图片描述

题解:
此题有solution,因此直接搬运:
1、暴力解法
暴力解法实际上和我们手算过程非常类似,以i=5时的height[i]=0为例,怎么看i=5处能积多少水呢?首先从left=0处向右扫,找出i=5的左侧最高的height;同时从right=len - 1从向左扫,找出i=5的右侧最高的height。在此例中,leftmax=2,rightmax=3,所以i=5处,积水加上height最高为2,所以积水为2-height[5]=2,所以i=5处积水为2。
用此方法对每一个i都需要left和right向中间夹逼,即总共需要遍历两次数组。
时间复杂度 O(n2)
空间复杂度 O(1)
2、两数组遍历法
不太方便描述,solution中的一图胜千言:
最高处为i=7,从左向右遍历,可以找到i=7左侧的实际积水面积;从右向左遍历,可以找到i=7右侧的实际积水面积,然后再利用这两个数组取最小值,即为实际积水面积。使用两个数组,降低时间复杂度,典型的用空间换时间的方法。
这里写图片描述
时间复杂度 O(n)
空间复杂度 O(n)
3、两指针法
那么有没有更好的方法呢?采用两个指针来记录:
这里写图片描述
在solution中有动态图,建议不太明白的同学可以不断观看,图中的判断条件都很清晰,很方便写出代码。
时间复杂度 O(n)
空间复杂度 O(n)

class Solution {
    public static int trap(int[] height) {
        int len = height.length;
        int leftmax = 0, rightmax = 0;
        int left = 0, right = len - 1;
        int ans = 0;
        while(left < right){
            // left小
            if(height[left] < height[right]){
                if(height[left] > leftmax){    // 更新leftmax
                    leftmax = height[left];
                }else{
                    ans += leftmax - height[left];
                }
                left++;
            }else{ //right小
                if(height[right] > rightmax){  // 更新rightmax
                    rightmax = height[right];
                }else{
                    ans += rightmax - height[right];
                }
                right--;
            }
        }
        return ans;
    }
    public static void main(String[] args) {
        int[] height = {0,1,0,2,1,0,1,3,2,1,2,1};
        System.out.println(trap(height));
    }
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 好的,我来用中文回复这个链接:https://leetcode-cn.com/tag/dynamic-programming/ 这个链接是 LeetCode 上关于动态规划的题目集合。动态规划是一种常用的算法思想,可以用来解决很多实际问题,比如最长公共子序列、背包问题、最短路径等等。在 LeetCode 上,动态规划也是一个非常重要的题型,很多题目都需要用到动态规划的思想来解决。 这个链接里包含了很多关于动态规划的题目,按照难度从简单到困难排列。每个题目都有详细的题目描述、输入输出样例、题目解析和代码实现等内容,非常适合想要学习动态规划算法的人来练习和提高自己的能力。 总之,这个链接是一个非常好的学习动态规划算法的资源,建议大家多多利用。 ### 回答2: 动态规划是一种算法思想,通常用于优化具有重叠子问题和最优子结构性质的问题。由于其成熟的数学理论和强大的实用效果,动态规划在计算机科学、数学、经济学、管理学等领域均有重要应用。 在计算机科学领域,动态规划常用于解决最优化问题,如背包问题、像处理、语音识别、自然语言处理等。同时,在计算机网络和分布式系统中,动态规划也广泛应用于各种优化算法中,如链路优化、路由算法、网络流量控制等。 对于算法领域的程序员而言,动态规划是一种必要的技能和知识点。在LeetCode这样的程序员平台上,题目分类和标签设置十分细致和方便,方便程序员查找并深入学习不同类型的算法。 LeetCode的动态规划标签下的题目涵盖了各种难度级别和场景的问题。从简单的斐波那契数列、迷宫问题到可以用于实际应用的背包问题、最长公共子序列等,难度不断递进且话题丰富,有助于开发人员掌握动态规划的实际应用技能和抽象思维模式。 因此,深入LeetCode动态规划分类下的题目学习和练习,对于程序员的职业发展和技能提升有着重要的意义。 ### 回答3: 动态规划是一种常见的算法思想,它通过将问题拆分成子问题的方式进行求解。在LeetCode中,动态规划标签涵盖了众多经典和优美的算法问题,例如斐波那契数列、矩阵链乘法、背包问题等。 动态规划的核心思想是“记忆化搜索”,即将中间状态保存下来,避免重复计算。通常情况下,我们会使用一张二维表来记录状态转移过程中的中间值,例如动态规划求解斐波那契数列问题时,就可以定义一个二维数组f[i][j],代表第i项斐波那契数列中,第j个元素的值。 在LeetCode中,动态规划标签下有众多难度不同的问题。例如,经典的“爬楼梯”问题,要求我们计算到n级楼梯的方案数。这个问题的解法非常简单,只需要维护一个长度为n的数组,记录到达每一级楼梯的方案数即可。类似的问题还有“零钱兑换”、“乘积最大子数组”、“通配符匹配”等,它们都采用了类似的动态规划思想,通过拆分问题、保存中间状态来求解问题。 需要注意的是,动态规划算法并不是万能的,它虽然可以处理众多经典问题,但在某些场景下并不适用。例如,某些问题的状态转移过程比较复杂,或者状态转移方程中存在多个参数,这些情况下使用动态规划算法可能会变得比较麻烦。此外,动态规划算法也存在一些常见误区,例如错用贪心思想、未考虑边界情况等。 总之,掌握动态规划算法对于LeetCode的学习和解题都非常重要。除了刷题以外,我们还可以通过阅读经典的动态规划书籍,例如《算法竞赛进阶指南》、《算法与数据结构基础》等,来深入理解这种算法思想。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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