814. Binary Tree Pruning [Medium]

https://leetcode.com/problems/binary-tree-pruning/

We are given the head node root of a binary tree, where additionally every node's value is either a 0 or a 1.

Return the same tree where every subtree (of the given tree) not containing a 1 has been removed.

(Recall that the subtree of a node X is X, plus every node that is a descendant of X.)

Example 1:
Input: [1,null,0,0,1]
Output: [1,null,0,null,1]
 
Explanation: 
Only the red nodes satisfy the property "every subtree not containing a 1".
The diagram on the right represents the answer.

 

Example 2:
Input: [1,0,1,0,0,0,1]
Output: [1,null,1,null,1]

 

Example 3:
Input: [1,1,0,1,1,0,1,0]
Output: [1,1,0,1,1,null,1]

 

Note:

  • The binary tree will have at most 200 nodes.
  • The value of each node will only be 0 or 1.
/**
 * Definition for a binary tree node.
 * struct TreeNode {
 *     int val;
 *     TreeNode *left;
 *     TreeNode *right;
 *     TreeNode() : val(0), left(nullptr), right(nullptr) {}
 *     TreeNode(int x) : val(x), left(nullptr), right(nullptr) {}
 *     TreeNode(int x, TreeNode *left, TreeNode *right) : val(x), left(left), right(right) {}
 * };
 */

算法思路: 

递归修建没有1的子树,这里只要子树没有1,那么连接它的父节点相应的链接置为nullptr。

当然这里没有手动释放被裁掉的节点,有内存泄漏。

class Solution {
public:
    TreeNode* pruneTree(TreeNode* root) {
        return hasOneInSubtree(root) ? root : nullptr; 
    }
private:
    bool hasOneInSubtree(TreeNode* node) {
        if (node == nullptr) return false;
        
        bool leftHasOne = hasOneInSubtree(node->left);
        bool rightHasOne = hasOneInSubtree(node->right);
        
        if (!leftHasOne) node->left = nullptr;
        if (!rightHasOne) node->right = nullptr;
        
        return node->val || leftHasOne || rightHasOne;
    }
};

解决内存泄漏问题

class Solution {
public:
    TreeNode* pruneTree(TreeNode* root) {
        return hasOneInSubtree(root) ? root : nullptr; 
    }
private:
    bool hasOneInSubtree(TreeNode* node) {
        if (node == nullptr) return false;
        
        bool leftHasOne = hasOneInSubtree(node->left);
        bool rightHasOne = hasOneInSubtree(node->right);
        
        if (!leftHasOne) {
            TreeNode* delLeftNode = node->left;
            node->left = nullptr;
            if (delLeftNode != nullptr) {
                delete delLeftNode;
                delLeftNode = nullptr;
            }
        } 
        if (!rightHasOne) {
            TreeNode* delRightNode = node->right;
            node->right = nullptr;
            if (delRightNode != nullptr) {
                delete delRightNode;
                delRightNode = nullptr;
            }
        }
        
        return node->val || leftHasOne || rightHasOne;
    }
};

 

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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