leetcode-LCP 08. 剧情触发时间

 题目是LeetCode2020春季全国编程大赛个人赛的第三题,链接:LCP 08. 剧情触发时间。具体描述见原题。

 这道题是medium难度的,不过当时我在这道题花了最多时间,因为直接暴力会超时的,需要优化。当时想到的方法就是直接用另外一个数组A来记录要使得累加和不小于一个数i需要多少次,记录为A[i],因为题目中数字的范围限定了i的最大值只可能是100000,所以可以用定长的数组来记录,当然最好的方法还是根据最大累加和来new数组,这里就是这么做的。假设requirements数组的长度为NN的最大值恰好就是累加和可能的最大值,因此时间复杂度为 O ( N ) O(N) O(N),空间复杂度为 O ( N ) O(N) O(N)

 JAVA版代码如下:

class Solution {
    public int[] getTriggerTime(int[][] increase, int[][] requirements) {
        int N = increase.length;
        // 原地操作,计算累加和
        for (int i = 1; i < N; ++i) {
            for (int j = 0; j < 3; ++j) {
                increase[i][j] += increase[i - 1][j];
            }
        }
        
        // 大于等于i至少需要c[i]/r[i]/h[i]次
        int[] c = new int[increase[N - 1][0] + 1];
        int[] r = new int[increase[N - 1][1] + 1];
        int[] h = new int[increase[N - 1][2] + 1];
        int count = 1;
        for (int i = 1; i <= increase[0][0]; ++i) {
            c[i] = count;
        }
        for (int i = 1; i <= increase[0][1]; ++i) {
            r[i] = count;
        }
        for (int i = 1; i <= increase[0][2]; ++i) {
            h[i] = count;
        }
        for (int i = 1; i < N; ++i) {
            ++count;
            // 注意如果increase为0的话就不用修改次数了
            if (increase[i][0] > increase[i - 1][0]) {
                for (int j = increase[i][0]; j > 0 && c[j] == 0; --j) {
                    c[j] = count;
                }
            }
            if (increase[i][1] > increase[i - 1][1]) {
                for (int j = increase[i][1]; j > 0 && r[j] == 0; --j) {
                    r[j] = count;
                }
            }
            if (increase[i][2] > increase[i - 1][2]) {
                for (int j = increase[i][2]; j > 0 && h[j] == 0; --j) {
                    h[j] = count;
                }
            }
        }

        int[] result = new int[requirements.length];
        int idx = 0;
        for (int[] require : requirements) {
            if (require[0] > increase[N - 1][0] || require[1] > increase[N - 1][1] || require[2] > increase[N - 1][2]) {
                result[idx++] = -1;
                continue;
            }
            result[idx++] = Math.max(c[require[0]], Math.max(r[require[1]], h[require[2]]));
        }
        
        return result;
    }
}

 提交结果如下:


 Python版代码如下:

class Solution:
    def getTriggerTime(self, increase: List[List[int]], requirements: List[List[int]]) -> List[int]:
        N = len(increase)
        for i in range(1, N):
            for j in range(3):
                increase[i][j] += increase[i - 1][j]
        
        c = [0] * (increase[N - 1][0] + 1)
        r = [0] * (increase[N - 1][1] + 1)
        h = [0] * (increase[N - 1][2] + 1)
        count = 1
        for i in range(1, increase[0][0] + 1):
            c[i] = count
        for i in range(1, increase[0][1] + 1):
            r[i] = count
        for i in range(1, increase[0][2] + 1):
            h[i] = count
        for i in range(1, N):
            count += 1
            if increase[i][0] > increase[i - 1][0]:
                for j in range(increase[i][0], 0, -1):
                    if c[j] != 0:
                        break
                    c[j] = count
            if increase[i][1] > increase[i - 1][1]:
                for j in range(increase[i][1], 0, -1):
                    if r[j] != 0:
                        break
                    r[j] = count
            if increase[i][2] > increase[i - 1][2]:
                for j in range(increase[i][2], 0, -1):
                    if h[j] != 0:
                        break
                    h[j] = count

        result = []
        for require in requirements:
            if require[0] > increase[N - 1][0] or require[1] > increase[N - 1][1] or require[2] > increase[N - 1][2]:
                result.append(-1)
                continue
            result.append(max(c[require[0]], max(r[require[1]], h[require[2]])))
        return result

 提交结果如下:


  • 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、图像处理、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》、《算法数据结构基础》等,来深入理解这种算法思想。
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