题目列表
一、有序三元组中的最大值I
看一眼该题的数据范围,直接三层for循环暴力枚举,时间复杂度O(n^3),代码如下
class Solution {
public:
long long maximumTripletValue(vector<int>& nums) {
long long ans=0;
for(int i=0;i<nums.size();i++){
for(int j=i+1;j<nums.size();j++){
for(int k=j+1;k<nums.size();k++){
ans=max(ans,1LL*(nums[i]-nums[j])*nums[k]);
}
}
}
return ans;
}
};
二、有序三元组的最大值II
题目同上一题,只有数据范围不同
同一个题,数据范围变大之后,再用暴力就会超时,我们要想想怎么优化时间复杂度 ?
这里有三种思路:
1.我们枚举i,看j,k怎么选?
2.我们枚举j,看i,k怎么选?
3.我们枚举k,看i,j怎么选?
假设我们选择方案一:枚举i(即先确定一个nums[ i ]),那么nums[ j ]和nums[ k ]要如何选?才能让三元组的值最大,显然nums[ j ]要选最小的,nums[ k ]选最大的,这样三元组值最大,但是还有一个条件j<k,这就很难办了, 因为我们不能确定要选择的最小值和最大值的位置关系,所以方案一不选
假设我们选择方案二:枚举j(即先确定一个nums[ j ]),那么nums[ i ]和nums[ k ]要如何选?才能让三元组的值最大,显然nums[ i ]选最大的,nums[ k ]也选最大的,这样三元组值最大,并且i<j<k,即我们选取的nums[ i ]和nums[ k ]是互不影响的,我们只要预处理出前i个元素的最大值,和后i个元素的最大值,就能在O(n)的时间复杂度内找到答案,代码如下
class Solution {
public:
long long maximumTripletValue(vector<int>& nums) {
int n=nums.size();
long long ans=0;
vector<int>pre(n+1),suf(n);
pre[0]=0;
for(int i=0;i<n;i++)
pre[i+1]=max(pre[i],nums[i]);
for(int i=n-1;i>=1;i--)
suf[i-1]=max(suf[i],nums[i]);
for(int j=0;j<n;j++)
ans=max(ans,1LL*(pre[j]-nums[j])*suf[j]);
return ans;
}
};
//当然这里的前缀最大值数组还可以优化掉
class Solution {
public:
long long maximumTripletValue(vector<int>& nums) {
int n=nums.size();
long long ans=0;
vector<int>suf(n);
for(int i=n-1;i>=1;i--)
suf[i-1]=max(suf[i],nums[i]);
for(int j=1,pre=nums[0];j<n;j++){
ans=max(ans,1LL*(pre-nums[j])*suf[j]);
pre=max(pre,nums[j]);
}
return ans;
}
};
假设我们选择方案三:枚举k(即先确定一个nums[ k ]),那么nums[ i ]和nums[ j ]要如何选?才能让三元组的值最大,即nums[ i ] - nums[ j ]要最大,那么这不就是在遍历的过程中,维护一个前缀最大值和一个最大高度差吗,(估计有人不太能理解,我画个折线图,大家应该能好懂一些,思路和121. 买卖股票的最佳时机很相似)
代码如下
class Solution {
public:
long long maximumTripletValue(vector<int>& nums) {
int n=nums.size();
long long ans=0;
for(int k=0,pre=0,diff=0;k<n;k++){
ans=max(ans,1LL*diff*nums[k]);
diff=max(diff,pre-nums[k]);
pre=max(pre,nums[k]);
}
return ans;
}
};
(大家可以试着将第二题的代码放到第一题去跑一跑,对比一下两者的时间,感受一下算法的魅力)
三、无限数组的最短子数组
看到找最短的子数组的和等于target,第一个想到的就是滑动窗口,当然这题和正常的滑窗有点不同,它给的数组是个可以循环的无限长数组。
我们要弄明白两个问题:
1.我们需要一直遍历到无限远吗?不需要,我们的left端点只要在2倍的该数组里面遍历就行,因为一旦超过这个范围,后面的就又会开始循环之前遍历的结果,没有任何意义。
2.如果target>=sum(nums) ,我们的子数组还需要从0开始增加长度吗?不用,因为不论怎么枚举,子数组的长度都会有length(nums)*(target/sum(nums))的基础长度,我们只要关心target%sum(nums)这部分的最小子数组的长度就可以了,这样我们就将子数组差分成了两个部分,一个是以整个数组为单位的,一个是单独考虑的。
当然肯定有人会怀疑我们这种想法是不是太想当然了,万一这两部分不能形成一个子数组怎么办?好,这里我们就构造一个这样的子数组,我们假定找到了单独考虑的那部分子数组,然后我们继续向后延伸,由于数组是循环的,所以我们总能找到和原数组长度一样的,值相等的区间,如此循环就能构造出我们想要的最短子数组,即上面的想法正确
代码如下
class Solution {
public:
typedef long long LL;
int minSizeSubarray(vector<int>& nums, int target) {
LL sum=accumulate(nums.begin(),nums.end(),0LL);
int n=nums.size();
int s=0,ans=INT_MAX;
for(int left=0,right=0;right<2*n;right++){
s+=nums[right%n];
while(s>(target%sum)){
s-=nums[left%n];
left++;
}
if(s==(target%sum)) ans=min(ans,right-left+1);
}
if(ans==INT_MAX)return -1;
return ans+target/sum*n;
}
};
四、有向图访问计数
这是一个求每个结点向下能访问多少个不同结点的问题,我们需要用拓扑排序将每个环从图中拆下来单独考虑,得到换上每个结点的访问个数,然后利用返图,计算不在环上的点的访问个数,
代码如下
class Solution {
public:
vector<int> countVisitedNodes(vector<int>& edges) {
int n=edges.size();
vector<vector<int>>g(n);//反图
vector<int>deg(n);//入度
for(int i=0;i<n;i++){
g[edges[i]].push_back(i);
deg[edges[i]]++;
}
//拓扑排序
queue<int>q;//存放入读为0的点
for(int i=0;i<n;i++){
if(deg[i]==0)
q.push(i);
}
//将不在环上的结点从图中去掉,指的是将结点的入度设置为0
while(!q.empty()){
int x=q.front();
q.pop();
if(--deg[edges[x]]==0)
q.push(edges[x]);
}
vector<int>ans(n);
//计算不在环上的点
function<void(int,int)>dfs=[&](int x,int depth){
ans[x]=depth;
for(int y:g[x]){
if(deg[y]==0){//环上的点入度为-1,这里只遍历不在环上的点
dfs(y,depth+1);
}
}
};
for(int i=0;i<n;i++){
if(deg[i]<=0) continue;
//先计算环上的点的个数
vector<int>node;
for(int x=i;;x=edges[x]){
node.push_back(x);
deg[x]=-1;//被计算过的环上的点的入度设为-1
if(edges[x]==i)
break;
}
for(int x:node){
dfs(x,node.size());
}
}
return ans;
}
};