![888f5e6b-6413-eb11-8da9-e4434bdf6706.png](http://p03.5ceimg.com/content/888f5e6b-6413-eb11-8da9-e4434bdf6706.png)
力扣 542.01 矩阵(点击查看题目)
力扣leetcode-cn.com题目描述
给定一个由 0 和 1 组成的矩阵,找出每个元素到最近的 0 的距离。
两个相邻元素间的距离为 1 。
示例 1:
输入:
0 0 0
0 1 0
0 0 0
输出:
0 0 0
0 1 0
0 0 0
示例 2:
输入:
0 0 0
0 1 0
1 1 1
输出:
0 0 0
0 1 0
1 2 1
注意:
- 给定矩阵的元素个数不超过 10000。
- 给定矩阵中至少有一个元素是 0。
- 矩阵中的元素只在四个方向上相邻: 上、下、左、右。
解决方案
方法一:广度优先搜索
思路
对于矩阵中的每一个元素,如果它的值为 0,那么离它最近的 0 就是它自己。如果它的值为 1,那么我们就需要找出离它最近的 0,并且返回这个距离值。那么我们如何对于矩阵中的每一个 1,都快速地找到离它最近的 0 呢?
我们不妨从一个简化版本的问题开始考虑起。假设这个矩阵中恰好只有一个 0,我们应该怎么做?由于矩阵中只有一个 0,那么对于每一个 1,离它最近的 0 就是那个唯一的 0。如何求出这个距离呢?我们可以想到两种做法:
- 如果 0 在矩阵中的位置是
,1 在矩阵中的位置是
,那么我们可以直接算出 0 和 1 之间的距离。因为我们从 1 到 0 需要在水平方向走
步,竖直方向走
步,那么它们之间的距离就为
- 我们可以从 0 的位置开始进行 广度优先搜索。广度优先搜索可以找到从起点到其余所有点的 最短距离,因此如果我们从 0 开始搜索,每次搜索到一个 1,就可以得到 0 到这个 1 的最短距离,也就离这个 1 最近的 0 的距离了(因为矩阵中只有一个 0)。
举个例子,如果我们的矩阵为:
_ _ _ _
_ 0 _ _
_ _ _ _
_ _ _ _
其中只有一个 0,剩余的 1 我们用短横线表示。如果我们从 0 开始进行广度优先搜索,那么结果依次为:
_ _ _ _ _ 1 _ _ 2 1 2 _ 2 1 2 3 2 1 2 3
_ 0 _ _ ==> 1 0 1 _ ==> 1 0 1 2 ==> 1 0 1 2 ==> 1 0 1 2
_ _ _ _ _ 1 _ _ 2 1 2 _ 2 1 2 3 2 1 2 3
_ _ _ _ _ _ _ _ _ 2 _ _ 3 2 3 _ 3 2 3 4
也就是说,在广度优先搜索的每一步中,如果我们从矩阵中的位置 x 搜索到了位置 y,并且 y 还没有被搜索过,那么位置 y 离 0 的距离就等于位置 x 离 0 的距离加上 1。
对于上面的两种做法,第一种看上去简洁有效,只需要对每一个位置计算一下就行;第二种需要实现广度优先搜索,会复杂一些。但是,别忘了我们的题目中会有不止一个 0,这样以来,如果我们要使用第一种做法,就必须对于每个 1 计算一次它到所有的 0 的距离,再从中取一个最小值,时间复杂度会非常高,无法通过本地。而对于第二种做法,我们可以很有效地处理有多个 0 的情况。
事实上,第一种做法也是可以处理多个 0 的情况的,但没有那么直观。感兴趣的读者可以在理解完方法一(即本方法)之后阅读方法二,那里介绍了第一种做法是如何扩展的。
处理的方法很简单:我们在进行广度优先搜索的时候会使用到队列,在只有一个 0 的时候,我们在搜索前会把这个 0 的位置加入队列,才能开始进行搜索;如果有多个 0,我们只需要把这些 0 的位置都加入队列就行了。
我们还是举一个例子,在这个例子中,有两个 0:
_ _ _ _
_ 0 _ _
_ _ 0 _
_ _ _ _
我们会把这两个 0 的位置都加入初始队列中,随后我们进行广度优先搜索,找到所有距离为 1 的 1:
_ 1 _ _
1 0 1 _
_ 1 0 1
_ _ 1 _
接着重复步骤,直到搜索完成:
_ 1 _ _ 2 1 2 _ 2 1 2 3
1 0 1 _ ==> 1 0 1 2 ==> 1 0 1 2
_ 1 0 1 2 1 0 1 2 1 0 1
_ _ 1 _ _ 2 1 2 3 2 1 2
这样做为什么是正确的呢?
- 我们需要对于每一个 1 找到离它最近的 0。如果只有一个 0 的话,我们从这个 0 开始广度优先搜索就可以完成任务了;
- 但在实际的题目中,我们会有不止一个 0。我们会想,要是我们可以把这些 0 看成一个整体好了。有了这样的想法,我们可以添加一个「超级零」,它与矩阵中所有的 0 相连,这样的话,任意一个 1 到它最近的 0 的距离,会等于这个 1 到「超级零」的距离减去一。由于我们只有一个「超级零」,我们就以它为起点进行广度优先搜索。这个「超级零」只和矩阵中的 0 相连,所以在广度优先搜索的第一步中,「超级零」会被弹出队列,而所有的 0 会被加入队列,它们到「超级零」的距离为 1。这就等价于:一开始我们就将所有的 0 加入队列,它们的初始距离为 0。这样以来,在广度优先搜索的过程中,我们每遇到一个 1,就得到了它到「超级零」的距离减去一,也就是 这个 1 到最近的 0 的距离。
下图中就展示了我们方法:
![8a8f5e6b-6413-eb11-8da9-e4434bdf6706.png](http://p02.5ceimg.com/content/8a8f5e6b-6413-eb11-8da9-e4434bdf6706.png)
熟悉「最短路」的读者应该知道,我们所说的「超级零」实际上就是一个「超级源点」。在最短路问题中,如果我们要求多个源点出发的最短路时,一般我们都会建立一个「超级源点」连向所有的源点,用「超级源点」到终点的最短路等价多个源点到终点的最短路。
C++ 实现
class
Java 实现
class
Python3 实现
class
复杂度分析
- 时间复杂度:O(rc),其中 r 为矩阵行数,c 为矩阵列数,即矩阵元素个数。广度优先搜索中每个位置最多只会被加入队列一次,因此只需要 O(rc)的时间复杂度。
- 空间复杂度:O(rc),其中 r 为矩阵行数,c 为矩阵列数,即矩阵元素个数。除答案数组外,最坏情况下矩阵里所有元素都为 0,全部被加入队列中,此时需要 O(rc)的空间复杂度。
方法二:动态规划
我们回想一下方法一中的「遗珠」:
如果 0 在矩阵中的位置是
对于矩阵中的任意一个 1 以及一个 0,我们如何从这个 1 到达 0 并且距离最短呢?根据上面的做法,我们可以从 1 开始,先在水平方向移动,只要与 0 在同一列。随后再在竖直方向上移动,直到到达 0 的位置。这样以来,从一个固定的 1 走到任意一个 0,在距离最短的前提下可能有四种方法:
- 只有 水平向左移动 和 竖直向上移动;
- 只有 水平向左移动 和 竖直向下移动;
- 只有 水平向右移动 和 竖直向上移动;
- 只有 水平向右移动 和 竖直向下移动。
例如下面这一个矩阵包含四个 0。从中心位置的 1 移动到这四个 0,就需要使用四种不同的方法:
0 _ _ _ 0
_ _ _ _ _
_ _ 1 _ _
_ _ _ _ _
0 _ _ _ 0
这样以来,我们就可以使用动态规划解决这个问题了。我们用 f(i,j) 表示位置 (i,j) 到最近的 0 的距离。如果我们只能「水平向左移动」和「竖直向上移动」,那么我们可以向上移动一步,再移动 f(i - 1,j) 步到达某一个 0,也可以向左移动一步,再移动 f(i,j -1) 步到达某一个 0。因此我们可以写出如下的状态转移方程:
对于另外三种移动方法,我们也可以写出类似的状态转移方程,得到四个 f(i,j) 的值,那么其中最小的值就表示位置 (i,j) 到最近的 0 的距离。
C++ 实现
class
Java 实现
class
Python3 实现
class
复杂度分析
- 时间复杂度:O(rc),其中 r 为矩阵行数,c 为矩阵列数。计算 dist 数组的过程中我们需要遍历四次矩阵,因此时间复杂度为 O(4rc) = O(rc) 。
- 空间复杂度:O(1),这里我们只计算额外的空间复杂度。除了答案数组以外,我们只需要常数空间存放若干变量。
方法三:动态规划的常数优化
我们发现方法二中的代码有一些重复计算的地方。实际上,我们只需要保留
- 只有 水平向左移动 和 竖直向上移动;
- 只有 水平向右移动 和 竖直向下移动。
这两者即可。这里不会给出详细的证明,有兴趣的读者可以自己思考。
C++ 实现
class
Java 实现
class
Python3 实现
class
复杂度分析
- 时间复杂度:O(rc),其中 r 为矩阵行数,c 为矩阵列数。计算 dist 数组的过程中我们需要遍历两次矩阵,因此时间复杂度为 O(2rc) = O(rc) 。
- 空间复杂度:O(1),这里我们只计算额外的空间复杂度。除了答案数组以外,我们只需要常数空间存放若干变量。
本文作者:力扣
声明:本文归“力扣”版权所有,如需转载请联系。