【PAT_Python解】1045 快速排序

新时代先锋

于 2024-10-03 01:00:00 发布

阅读量279

点赞数 15

分类专栏： PAT 文章标签： python 算法数据结构蓝桥杯 pat考试开发语言

本文链接：https://blog.csdn.net/m0_56677113/article/details/142456248

版权

PAT 专栏收录该内容

47 篇文章 1 订阅

订阅专栏

原题链接：PTA | 程序设计类实验辅助教学平台

Tips：以下Python代码仅个人理解，非最优算法，仅供参考！多学习其他大佬的AC代码！

import sys  
  
# 读取输入  
n = int(input().strip())  # 假设n是列表的长度  
ls = list(map(int, sys.stdin.readline().split()))  
  
# 初始化两个数组，用于存储从左到右的局部最大值和从右到左的局部最小值  
left_max = [0] * n  
right_min = [float('inf')] * n  
  
# 填充left_max数组  
left_max[0] = ls[0]  
for i in range(1, n):  
    left_max[i] = max(left_max[i-1], ls[i])  
  
# 填充right_min数组  
right_min[-1] = ls[-1]  
for i in range(n-2, -1, -1):  
    right_min[i] = min(right_min[i+1], ls[i])  
  
# 找出同时是局部最大值和局部最小值的元素  
res = [ls[i] for i in range(n) if left_max[i] == ls[i] == right_min[i]]  
  
# 输出结果  
print(len(res))  
print(*res)

'''12 / 25分，除测试点0均超时
import sys

n = input()
res = []
ls = list(map(int,sys.stdin.readline().split()))
for i in range(len(ls)):
    if max(ls[:i+1]) == ls[i] and min(ls[i:]) == ls[i]:
        res.append(ls[i])
print(len(res))
print(*res)
'''

我们可以从时间复杂度和算法设计的角度进行详细分析。

时间复杂度

原始代码的时间复杂度：
原始代码中，对于列表中的每个元素ls[i]，超时代码计算了ls[:i+1]的最大值和ls[i:]的最小值。这意味着对于每个元素，都在进行两个子列表的遍历，其中每个子列表的长度是递增的。虽然每次内部调用的max()和min()是O(k)的，其中k是子列表的长度，但总体上的时间复杂度由于这种嵌套性质而接近于O(n^2)，因为对于每个元素，都在处理越来越长的子列表。

优化代码的时间复杂度：
在优化代码中，我使用了两个额外的数组left_max和right_min来分别存储从左到右的局部最大值和从右到左的局部最小值。这两个数组都是通过一次遍历来填充的，因此整体时间复杂度是O(n)。然后，我通过一次列表推导来找出同时满足条件的元素，这个步骤也是O(n)的。因此，整个算法的时间复杂度是O(n)。

算法设计

原始算法：

使用显式的for循环遍历列表。
对于每个元素，计算其左侧所有元素的最大值和右侧所有元素的最小值。
检查当前元素是否同时等于这两个值，如果是，则添加到结果列表中。

这种设计直观但效率低下，因为它对于每个元素都进行了不必要的重复计算。

优化算法：

使用动态规划的思想，通过额外的空间（两个数组）来避免重复计算。
分别从左到右和从右到左遍历列表，填充left_max和right_min数组。
通过一次列表推导来找出同时满足条件的元素，并直接生成结果列表。

这种设计利用了问题的空间换时间特性，通过预计算来减少后续操作的计算量，从而大大提高了算法的效率。

总结

在时间复杂度方面，优化代码从O(n^2)提升到了O(n)，这是一个显著的改进。在算法设计方面，优化代码通过引入额外的空间来存储中间结果，从而避免了不必要的重复计算，使算法更加高效。这种优化是算法设计中常见的技巧，特别是在处理大数据集时。

动态规划（Dynamic Programming, DP）是一种在数学、计算机科学和经济学中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。动态规划的思想可以简单地理解为“存储子问题的解以避免重复计算”。

让我们用一个更加生活化的例子来解释动态规划的思想：

想象一下，你正在计划一次长途旅行，需要选择从起点到终点的最佳路线。这条路线上有许多中间站点，每个站点之间都有多种交通方式可以选择（比如步行、骑自行车、开车、乘公交等），而每种交通方式都有其对应的成本（时间、金钱等）。

如果你没有采用动态规划的思想，你可能会尝试所有可能的路线组合，计算每一种的总成本，然后选择成本最低的那个。但是，这样的方法会非常耗时，因为随着站点数量的增加，可能的路线组合数量会呈指数级增长。

而采用动态规划的思想，你会这样做：

定义子问题：首先，你将整个问题分解成一系列更小的、更容易解决的子问题。在这个例子中，子问题可以是“从起点到站点X的最佳路线是什么？”

解决子问题并存储结果：然后，你开始解决这些子问题，并且把每个子问题的解存储起来。这样，当你需要解决一个更大的子问题时，你可以直接查看并重用之前已经解决过的更小的子问题的解，而不是重新计算它们。

利用子问题的解来构建更大问题的解：最后，你利用这些已经存储的子问题的解来构建原问题的解。在这个例子中，你可以通过组合从起点到各个中间站点的最佳路线，来找到从起点到终点的最佳路线。

动态规划的关键在于“重叠子问题”和“最优子结构”这两个概念：

重叠子问题：在解决原问题的过程中，你会多次遇到相同的子问题。动态规划通过存储子问题的解来避免重复计算。

最优子结构：原问题的最优解包含其子问题的最优解。这意味着，如果你能找到所有子问题的最优解，那么你就可以通过组合这些最优解来找到原问题的最优解。

希望这个解释能够帮助你更好地理解动态规划的思想！