LeetCode分类练习

最新推荐文章于 2021-12-09 14:03:00 发布

12466434

最新推荐文章于 2021-12-09 14:03:00 发布

阅读量359

点赞数

分类专栏： LeetCode分类练习

本文链接：https://blog.csdn.net/qq_43628993/article/details/108088096

版权

LeetCode分类练习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

LeetCode分类练习之分治算法

分治算法介绍
LeetCode实践
参考资料：

创作来自于DataWhale组队学习活动，由于分治算法学习文档对分治算法介绍地很完美了，所以内容以搬运为主，并增加LeetCode官方的其他解题思路

分治算法介绍

分治算法思想

分治算法的主要思想是将原问题递归地分成若干个子问题，直到子问题满足边界条件，停止递归。将子问题逐个击破(一般是同种方法)，将已经解决的子问题合并，最后，算法会层层合并得到原问题的答案。

分治算法的步骤

分：递归地将问题分解为各个的子问题(性质相同的、相互独立的子问题)；
治：将这些规模更小的子问题逐个击破；
合：将已解决的子问题逐层合并，最终得出原问题的解；

分类算法适用的情况

原问题的计算复杂度随着问题的规模的增加而增加。
原问题能够被分解成更小的子问题。
子问题的结构和性质与原问题一样，并且相互独立，子问题之间不包含公共的子子问题。
原问题分解出的子问题的解可以合并为该问题的解。

举个栗子

用分治算法应用在排序的时候的一个栗子，加深对分治算法的理解。
相关概念：

有序度：表示一组数据的有序程度
逆序度：表示一组数据的无序程度

一般通过计算有序对或者逆序对的个数，来表示数据的有序度或逆序度。
假设我们有 n 个数据，我们期望数据从小到大排列，那完全有序的数据的有序度就是 $n (n - 1) / 2$ ，逆序度等于 0；相反，倒序排列的数据的有序度就是 0，逆序度是 $n (n - 1) / 2$ 。
Q：如何编程求出一组数据的有序对个数或者逆序对个数呢？

因为有序对个数和逆序对个数的求解方式是类似的，所以这里可以只思考逆序对个数的求解方法。

方法1：
- 拿数组里的每个数字跟它后面的数字比较，看有几个比它小的。
- 把比它小的数字个数记作 k，通过这样的方式，把每个数字都考察一遍之后，然后对每个数字对应的 k 值求和最后得到的总和就是逆序对个数。
- 这样操作的时间复杂度是 $O(n^2)$ （需要两层循环过滤）。那有没有更加高效的处理方法呢？这里尝试套用分治的思想来求数组 A 的逆序对个数。
方法2
- 首先将数组分成前后两半 A1 和 A2，分别计算 A1 和 A2 的逆序对个数 K1 和 K2
- 然后再计算 A1 与 A2 之间的逆序对个数 K3。那数组 A 的逆序对个数就等于 K1+K2+K3。
- 注意使用分治算法其中一个要求是，子问题合并的代价不能太大，否则就起不了降低时间复杂度的效果了。
- 如何快速计算出两个子问题 A1 与 A2 之间的逆序对个数呢？这里就要借助归并排序算法了。(这里先回顾一下归并排序思想）**如何借助归并排序算法来解决呢？归并排序中有一个非常关键的操作，就是将两个有序的小数组，合并成一个有序的数组。实际上，在这个合并的过程中，可以计算这两个小数组的逆序对个数了。每次合并操作，我们都计算逆序对个数，把这些计算出来的逆序对个数求和，就是这个数组的逆序对个数了。

LeetCode实践

169.多数元素

题目描述
给定一个大小为 n 的数组，找到其中的众数。众数是指在数组中出现次数大于 [n/2] 的元素(算法中众数的定义)。
你可以假设数组是非空的，并且给定的数组总是存在众数。
解题思路
- 确定切分的终止条件
  直到所有的子问题都是长度为 1 的数组，停止切分。
- 准备数据，将大问题切分为小问题
  递归地将原数组二分为左区间与右区间，直到最终的数组只剩下一个元素，将其返回
- 处理子问题得到子结果，并合并
  - 长度为 1 的子数组中唯一的数显然是众数，直接返回即可。
  - 如果它们的众数相同，那么显然这一段区间的众数是它们相同的值。
  - 如果他们的众数不同，比较两个众数在整个区间内出现的次数来决定该区间的众数
代码

class Solution:
    def majorityElement(self, nums: List[int]) -> int:
        if not nums:
            return None

        # 确定切分的终止条件
        # 直到所有的问题都是长度为1的数组，停止切分
        if len(nums)==1:
        # 最简单的子问题：长度为 1 的子数组中唯一的数显然是众数，直接返回即可。
            return nums[0]

        # 准备数据，将大问题切分为小问题
        # 递归地将原数组二分为左右两个区间
        left=self.majorityElement(nums[:len(nums)//2])
        right=self.majorityElement(nums[len(nums)//2:])

        # 处理子问题得到子问题结果，对子结果进行合并，得到最终的结果
        # 如果它们的众数相同，那么显然这一段区间的众数是它们相同的值。
        if left==right:
            return left
        # 如果他们的众数不同，比较两个众数在整个区间内出现的次数来决定该区间的众数
        if nums.count(left)>nums.count(right):
            return left
        else:
            return right

53.最大子序和

题目描述
给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。
解题思路
- 确定切分的终止条件
  直到所有的子问题都是长度为 1 的数组，停止切分。
- 准备数据，将大问题切分为小问题
  递归地将原数组二分为左区间与右区间，直到最终的数组只剩下一个元素，将其返回
- 处理子问题得到子结果，并合并
  - 对与左区间：从右到左计算左边的最大子序和
  - 对与右区间：从左到右计算右边的最大子序和
  - 由于左右区间计算累加和的方向不一致，因此，左右区间直接合并相加之后就是整个区间的和，最终返回左区间的元素、右区间的元素、以及整个区间(相对子问题)和的最大值。

class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        # 思路：分治
        # 确定切分的终止条件
        n=len(nums)
        if n==1:
            return nums[0]
        # 准备数据，将大问题切分为小问题
        left=self.maxSubArray(nums[:len(nums)//2])
        right=self.maxSubArray(nums[len(nums)//2:])

        # 处理子问题得到子结果
        # 从右到左计算左边的最大子序和
        max_l=nums[len(nums)//2-1]
        tmp=0

        for i in range(len(nums)//2-1,-1,-1):
            tmp+=nums[i]
            max_l=max(max_l,tmp)

        # 从左至右计算右边的最大子序和
        max_r=nums[len(nums)//2]
        tmp=0

        for i in range(len(nums)//2,len(nums),1):
            tmp+=nums[i]
            max_r=max(max_r,tmp)
        
        # 对子问题的结果进行合并
        # 返回这三个中的最大值
        return max(left,right,max_l + max_r)

50.求x的n次幂

题目描述
实现 pow(x, n) ，即计算 x 的 n 次幂函数。
官方思路1：快速幂+递归

快速幂算法的本质是分治算法。举个例子，如果我们要计算 $x^{64}$ ，我们可以按照： $\to x^2 \to x^4 \to x^8 \to x^{16} \to x^{32} \to x^{64}$ 的顺序，从 x开始，每次直接把上一次的结果进行平方，计算 6 次就可以得到 $x^{64}$ 的值，而不需要对 x 乘 63 次x 。
再举一个例子，如果我们要计算 $x^{77}$ ，我们可以按照： $\to x^2 \to x^4 \to x^9 \to x^{19} \to x^{38} \to x^{77}$ 的顺序，在这些步骤中，其中 $\to x^2$ ， $x^2 \to x^4$ ， $x^{19} \to x^{38}$ ，我们直接把上一次的结果进行平方，而在 $x^4 \to x^9，x^9 \to x^{19}，x^{38} \to x^{77}$ 这些步骤中，我们把上一次的结果进行平方后，还要额外乘一个 x。

直接从左到右进行推导看上去很困难，因为在每一步中，我们不知道在将上一次的结果平方之后，还需不需要额外乘 xx。但如果我们从右往左看，分治的思想就十分明显了：

当我们要计算 $x^n$ 时，我们可以先递归地计算出 $x^{\lfloor n/2\rfloor}$ ，其中 $\lfloor a\rfloor$ 表示对 a 进行下取整；
根据递归计算的结果，如果 n 为偶数，那么 $x^n = y^2；如果 n 为奇数，那么 $x^n = y^2 * x$ ；
递归的边界为 n = 0，任意数的 0 次方均为 1。
来源：力扣官方题解（LeetCode）
代码

class Solution:
    def myPow(self, x: float, n: int) -> float:
        # 思路1：快速幂+递归
        # 处理n小于0的情况
        if n<0:
            x=1/x
            n=-n
        # 确定不断切分的终止条件
        if n==0:
            return 1

        # 准备数据，将大问题切分为小问题
        p=self.myPow(x,n//2)

        # 处理小问题，得到子问题结果
        # 如果n除以2有余数1，则需要多乘一个x
        if n%2==1:
            return p*p*x
        else:
            return p*p

复杂度分析：
- 时间复杂度： $O (l o g n)$ ，即为递归的层数。
- 空间复杂度： $O (l o g n)$ ，即为递归的层数。这是由于递归的函数调用会使用栈空间。
递归执行逻辑
官方思路2：快速幂+迭代
由于递归需要使用额外的栈空间，我们试着将递归转写为迭代我们还是以 $x^{77}$ 作为例子：
$\to x^2 \to x^4 \to^+ x^9 \to^+ x^{19} \to x^{38} \to^+ x^{77}$
把需要额外乘 x的步骤打上了 ++ 标记。可以发现：
$x^{38} \to^+ x^{77}$ 中额外乘的 x 在 $x^{77}$ 中贡献了 x；
$x^9 \to^+ x^{19}$ 中额外乘的 x 在之后被平方了 2 次，因此在 $x^{77}$ 中贡献了 $x^4$
$x^4 \to^+ x^9$ 中额外乘的 x在之后被平方了 3 次，因此在 $x^{77}$ 中贡献了 $x^8$
最初的 x 在之后被平方了 66 次，因此在 $x^{77}$ 中贡献了 $x^{64}$

我们把这些贡献相乘， $x * x^4 * x^8 * x^{64}$ 恰好等于 $x^{77}$ 。而这些贡献的指数部分又是什么呢？它们都是 2 的幂次，这是因为每个额外乘的 x 在之后都会被平方若干次。而这些指数 1，4，8 和 64，恰好就对应了 77的二进制表(1001101)_2
中的每个 1！
因此我们借助整数的二进制拆分，就可以得到迭代计算的方法，一般地，如果整数 n 的二进制拆分为

$2^{i_0} + 2^{i_1} + \cdots + 2^{i_k}$

那么

$x^n = x^{2^{i_0}} * x^{2^{i_1}} * \cdots * x^{2^{i_k}}$

这样以来，我们从 x 开始不断地进行平方，得到 $x^2, x^4, x^8, x^{16}, \cdots$ 如果 n 的第 k 个（从右往左，从 0 开始计数）二进制位为 1，那么我们就将对应的贡献 $x^{2^k}$ 计入答案。
来源：力扣（LeetCode）

代码

class Solution:
    def myPow(self, x: float, n: int) -> float:
        def quickMul(N):
            ans = 1.0
            # 贡献的初始值为 x
            x_contribute = x
            # 在对 N 进行二进制拆分的同时计算答案
            while N > 0:
                if N % 2 == 1:
                    # 如果 N 二进制表示的最低位为 1，那么需要计入贡献
                    ans *= x_contribute
                # 将贡献不断地平方
                x_contribute *= x_contribute
                # 舍弃 N 二进制表示的最低位，这样我们每次只要判断最低位即可
                N //= 2
            return ans
        
        return quickMul(n) if n >= 0 else 1.0 / quickMul(-n)