Leetcode题解4.Median of Two Sorted Arrays

Leetcode题解

4.Median of Two Sorted Arrays-Hard

Author: Zinc
关键词:分治,递归,二分

题目

There are two sorted arrays nums1 and nums2 of size m and n respectively.
Find the median of the two sorted arrays. The overall run time complexity should be O(log (m+n)).

中文简述

有两个有序数组nums1和nums2,长度分别为n和m,找出两数组合并在一起的中位数。特别要求:时间复杂度为O(log(m+n))

分析

线性时间:
看到题目有人就会开始说,这道题很简单嘛,直接将两个有序数组合并成一个有序数组然后用中位数的定义:中位数为有序数组中间那个数(长度为奇数)或者是中间两个数的平均数(长度为偶数时)。由于原来给定的两个数组已经是有序数组,所以我们只要如同归并排序的操作一步即可,时间复杂度为m+n,线性的遍历一遍排好序就可以了。
最后用公式整个的步骤是m+n+1步,时间复杂度为O(m+n),线性的时间貌似已经很优秀了,题目画下一个完美的句号。
“喂喂喂,你瞎么。。。题目让你用log(m+n)的时间哇!“(答题的时候从旁边传来不屑的嘲讽)
“什么!喵?喵?喵?”(此时的我一脸黑人问号),定睛一看真的是log(m+n),上天绕过谁。果然这道Hard的题目不是好惹的。

对数时间分析:
看到对数时间相信很多人和我一样,一开始是懵逼的,怎么做?其实,就对数时间这一点而言,其实能达到这么快速的算法不多,最常见的就是二分的思想。好就以二分为切入点往下扩展,所谓的找到中位数,其实就是找到第k=len/2(向上取整)的数或者k=len/2与k=len/2+1的两个数的平均数,问题转变为找2个有序数组中第K大的数字,然后通过二分不段减小两个数组的规模。就得到了我们求解问题的代码。
简单的流程是:
1。从左右两边找到第K大的数(初始的K就是中位数的位置)
2。分别找两个数组k/2位置的数字进行比较,
若a1[k/2]>a2[k/2]说明,a1前k/2在搜素范围外,反之则a2的前k/2。
(k/2的长度和a1长度取最小那个进行算法;当a1无数字则答案在b中,若相等则答案就为相等的数字。)
3。情况1就将a1去除前k/2,搜索两个数组中第k/2大的数字
情况2就像a2去除前k/2,搜索两个数组中第k/2大的数字

Source Code

1.归并

    class Solution {
    public:
        double med_singlevec(vector<int>& nums){
            int len = nums.size();
            int mid = len/2;
            return ((len%2==0)? ((nums[mid]+nums[mid-1])/2.0) : nums[mid]);
        }

        double findMedianSortedArrays(vector<int>& nums1, vector<int>& nums2) {
            int i = 0, j = 0;
            vector<int> nums;
            for(i = 0, j = 0; i<nums1.size()&&j<nums2.size();){
                if(nums1[i]<=nums2[j]){
                    nums.push_back(nums1[i++]);
                }
                else
                    nums.push_back(nums2[j++]);
            }
            while(i<nums1.size())
                nums.push_back(nums1[i++]);
            while(j<nums2.size())
                nums.push_back(nums2[j++]);
            return  med_singlevec(nums) ;


        }

2.二分分治

    #include <cmath>
    class Solution {
    public:
        double findKthnum(vector<int>&a, vector<int>&b, int k){
            int alen = a.size(), blen = b.size();
            if(alen > blen)
                return findKthnum(b, a, k);
            if(alen==0)
                return b[k-1];
            if(k==1)
                return min(a[0],b[0]);
            int pa = min(k/2, alen);
            int pb = k - pa;
            if(a[pa-1] < b[pb-1]){
                vector<int>*na = new vector<int>(a.begin()+pa, a.begin()+alen);
                return findKthnum(*na,b,k-pa);
            }

            else if(a[pa-1] > b[pb-1]){
                vector<int>* nb = new vector<int>(b.begin()+pb,b.begin()+blen);
                return findKthnum(a,*nb,k-pb);
            }

            else
                return a[pa-1];

        }
        double findMedianSortedArrays(vector<int>& nums1, vector<int>& nums2) {
            int total = nums1.size()+nums2.size();
            if(total % 2 == 1){
                return findKthnum(nums1, nums2, total/2 +1);
            }
            else{
                return (findKthnum(nums1, nums2, total/2)+
                        findKthnum(nums1, nums2, total/2+1))/2.0;
            }
        }
    };
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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