738. 单调递增的数字
AC了,很快!但是又忘记可以从后向前遍历了!!!
class Solution:
def monotoneIncreasingDigits(self, n: int) -> int:
if n <= 9: return n
n_list = [ord(x) - ord('0') for x in str(n)]
n_len = len(n_list)
max_index = 0
for i in range(1, n_len):
if n_list[i] > n_list[i - 1]:
max_index = i
elif n_list[i] < n_list[i - 1]:
for j in range(max_index + 1, n_len):
n_list[j] = 9
n_list[max_index] -= 1
return int(''.join(map(str, n_list)))
其实仔细想一下,也差不多...各有各的最坏情况。
class Solution:
def monotoneIncreasingDigits(self, N: int) -> int:
strNum = str(N)
flag = len(strNum)
for i in range(len(strNum) - 1, 0, -1):
if strNum[i - 1] > strNum[i]:
flag = i
strNum = strNum[:i - 1] + str(int(strNum[i - 1]) - 1) + strNum[i:]
for i in range(flag, len(strNum)):
strNum = strNum[:i] + '9' + strNum[i + 1:]
return int(strNum)
968. 监控二叉树
动态规划:
class Solution:
def minCameraCover(self, root: Optional[TreeNode]) -> int:
def dfs(node):
if not node:
return (0, 0, float('inf')) # (不需要摄像头覆盖, 已覆盖但无摄像头, 有摄像头)
left = dfs(node.left)
right = dfs(node.right)
dp0 = left[1] + right[1]
dp1 = min(left[2] + min(right[1], right[2]), right[2] + min(left[1], left[2]))
dp2 = 1 + min(left) + min(right)
return dp0, dp1, dp2
return min(dfs(root)[1:])
-
节点未被直接监控(dp0):该状态表示当前节点没有安装摄像头,并且它不需要被直接监控。这种情况适用于其子节点都已经被覆盖,但没有直接在当前节点安装摄像头的情况。对于这个状态,我们考虑的是子节点已被覆盖但无摄像头的情况的和。
-
节点已被覆盖但无摄像头(dp1):该状态表示当前节点已经被覆盖,但是没有在当前节点上安装摄像头。对于这个状态,我们考虑的是在至少一个子节点上安装摄像头(使得当前节点被覆盖)的最小摄像头数量,以及不在子节点上安装摄像头但子节点已被覆盖的情况。
-
节点上安装了摄像头(dp2):这种情况适用于直接在当前节点上安装摄像头,因此,无论子节点是如何覆盖的,当前节点及其直接子节点都会被监控到。计算这个状态的值时,我们考虑在当前节点上安装一个摄像头,加上子节点处于任意状态(已覆盖但无摄像头、未被直接监控、或是有摄像头)的最小和。
贪心总结:
其实感觉贪心算法算是比较特殊的优化问题,通过利用问题的性质(例如有序、单调等)进行贪心选择,一次选择之后只剩下一个子问题,也就不需要动态规划去找之前所有的子问题的解了。
有时候需要两次贪心,就要把一个复杂的问题分成多个优化问题,再对每一个问题进行贪心选择。
一刷感觉本章还算比较容易理解吧。