【LeetCode & 剑指offer刷题】矩阵题3:Kth Smallest Element in a Sorted Matrix

【LeetCode & 剑指offer刷题】矩阵题3:Kth Smallest Element in a Sorted Matrix

【LeetCode & 剑指offer 刷题笔记】目录(持续更新中...)

Kth Smallest Element in a Sorted Matrix

Given a   n   x   n   matrix where each of the rows and columns are sorted in ascending order, find the kth smallest element in the matrix.
Note that it is the kth smallest element in the sorted order, not the kth distinct element.
Example:
matrix = [
[ 1, 5, 9],
[10, 11, 13],
[12, 13, 15]
],
k = 8,
 
return 13.
Note:  
You may assume k is always valid, 1 ≤ k ≤ n 2 .

C++
 
/*
 题目说为 n x n matrix,行列均有序,找出第k小的元素
方法一:二分查找法 整体二分查找,在每行二分查找,统计每行小于等于目标数的个数
O(logm * nlogn ) m为元素个数,行数和列数均为n, 平均logm次计算mid(while语句),每行进行二分查找,时间复杂度为O(nlogn)
 
注意:一般的二分查找left和right为索引,而这里left,right为元素值,准确来说logm中m应指最大数和最小数的差值。
(感觉算法不是最优的,有冗余的地方,还是用索引的二分查找法会好一点,mid换算成行列数即可,参见: 4 有序矩阵中的查找(系列 74. Search a 2D Matrix )
例:
[1 2
12 100]
k = 3
那么刚开始left = 1, right = 100, mid = 50, 遍历完 cnt = 3,此时right更新为50
此时left = 1, right = 50, mid = 25, 遍历完之后 cnt = 3, 此时right更新为25
此时left = 1, right = 25, mid = 13, 遍历完之后 cnt = 3, 此时right更新为13
此时left = 1, right = 13, mid = 7, 遍历完之后 cnt = 2, 此时left更新为8
此时left = 8, right = 13, mid = 10, 遍历完之后 cnt = 2, 此时left更新为11
此时left = 11, right = 12, mid = 11, 遍历完之后 cnt = 2, 此时left更新为12
循环结束,left和right均为12,任意返回一个即可。
*/
class Solution
{
public :
     int kthSmallest ( vector < vector < int >>& matrix , int k )
     {
         int n = matrix . size ();
         int left = matrix[0][0], right = matrix[n - 1][n - 1];
         int mid = 0 ;
         while ( left < right //扫描整个矩阵,这里left,right为值,一般的二分查找为索引
         {
            mid = left + ( right - left )/ 2 ;
             int count = 0 ;
             for ( int i = 0 ; i < n ; i ++) //扫描每行
             {
                 int pos = upper_bound ( matrix [ i ]. begin (), matrix [ i ]. end (), mid ) - matrix [ i ]. begin (); //用二分查找查找第一个大于目标数的位置,可统计该行中比目标数小的数量
                count += pos ;
             }
             if ( count < k ) //这里赋left = mid+1和right = mid不是太懂 
                left = mid + 1 //比k小时,left往中间移,增大新mid,增大count
             else
                right = mid ;  //比k大或者等于时,right往中间移
         //退出循环时left = right,移动至第k小的元素处
         return left ;
     }
};
 
 
/*
方法二:二分查找 + 直接统计法(利用行列有序性)
我们并不用对每一行都做二分搜索法,我们注意到每列也是有序的,我们可以利用这个性质,依次统计每一列中小于等于目标值的元素数量
1.从数组的左下角开始查找(i = n-1,j = 0),扫描至矩阵上边界或者右边界,共执行次数最多2n
2.如果a[i][j] <= target,因为当前元素以上的元素均比目标值小,cnt += i+1,继续下一列的判断(j++);
3.如果a[i][j] > target,则向上移一位(i--),这样我们也能算出cnt的值。
复杂度为 O(logm * n)
*/
class Solution {
public :
    int kthSmallest ( vector < vector < int >>& matrix , int k )
     {
        int left = matrix [ 0 ][ 0 ], right = matrix . back (). back ();
        while ( left < right )
         {
            int mid = left + ( right - left ) / 2 ;
            int cnt = search_less_equal ( matrix , mid );
            
            if ( cnt < k )  
                left = mid + 1 ;
            else  
                right = mid ;
        }
        return left ;
    }
    int search_less_equal ( vector < vector < int >>& matrix , int target )
     {
        int n = matrix . size (), i = n - 1, j = 0 , res = 0 ; //从矩阵左下角开始扫描
        while ( i >= 0 && j <= n - 1 ) //如果行或列超出边界就退出循环
         {
             //统计每列小于等于目标值的数量
            if ( matrix [ i ][ j ] <= target ) //当前元素小于或等于目标值
             {
                res += i + 1 ; //统计每列小于等于目标值的数量
                j ++; //扫描下一列
            } else //当前元素比目标值大
             {
                i --; //扫描上一行
            }
        }
        return res ;
    }
};
 

 

posted @ 2019-01-05 16:20 wikiwen 阅读( ...) 评论( ...) 编辑 收藏
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、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、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、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、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、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、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
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
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