455.分发饼干
题目描述:
假设你是一位很棒的家长,想要给你的孩子们一些小饼干。但是,每个孩子最多只能给一块饼干。
对每个孩子 i,都有一个胃口值 g[i],这是能让孩子们满足胃口的饼干的最小尺寸;并且每块饼干 j,都有一个尺寸 s[j] 。如果 s[j] >= g[i],我们可以将这个饼干 j 分配给孩子 i ,这个孩子会得到满足。你的目标是尽可能满足越多数量的孩子,并输出这个最大数值。
解答:
法一:base实现
题目要求是尽可能满足孩子的数量最多
如果将大饼干分给胃口小的孩子,那么后面遇到胃口大的孩子就无法满足
因此可以先按照孩子胃口进行排序(便于后边用饼干匹配孩子胃口)
采用贪心算法,每次满足胃口最接近饼干尺寸(<=)的孩子
这样最终可以找到最优解
代码实现:
依次遍历饼干,同时还需要一个函数用于匹配胃口
class Solution {
public:
//找到最合适的孩子
int findChild(vector<int>& g, int size){
int location = -1;
for (int i = 0; i < g.size(); i++){
if (g[i] <= size)
location = i;
else
return location;
}
return location;
}
int findContentChildren(vector<int>& g, vector<int>& s) {
int child_num = g.size() - 1;
int fill_num = 0;
//便于寻找最合适的孩子,可提前跳出循环
sort(g.begin(), g.end());
for (int i = 0; i < s.size(); i++){
int location = findChild(g, s[i]);
if(location != -1){
g.erase(g.begin() + location);
fill_num++;
}
}
return fill_num;
}
};
法二:一重循环即可
为了满足更多的小孩,就不要造成饼干尺寸的浪费。
大尺寸的饼干既可以满足胃口大的孩子也可以满足胃口小的孩子,那么就应该优先满足胃口大的。
这里的局部最优就是大饼干喂给胃口大的,充分利用饼干尺寸喂饱一个,全局最优就是喂饱尽可能多的小孩。
可以尝试使用贪心策略,先将饼干数组和小孩数组排序。
然后从后向前遍历小孩数组,用大饼干优先满足胃口大的,并统计满足小孩数量。
// 时间复杂度:O(nlogn)
// 空间复杂度:O(1)
class Solution {
public:
int findContentChildren(vector<int>& g, vector<int>& s) {
sort(g.begin(), g.end());
sort(s.begin(), s.end());
int index = s.size() - 1; // 饼干数组的下标
int result = 0;
for (int i = g.size() - 1; i >= 0; i--) { // 遍历胃口
if (index >= 0 && s[index] >= g[i]) { // 遍历饼干
result++;
index--;
}
}
return result;
}
};
376.摆动序列
题目描述
如果连续数字之间的差严格地在正数和负数之间交替,则数字序列称为 摆动序列 。第一个差(如果存在的话)可能是正数或负数。仅有一个元素或者含两个不等元素的序列也视作摆动序列。
例如, [1, 7, 4, 9, 2, 5] 是一个 摆动序列 ,因为差值 (6, -3, 5, -7, 3) 是正负交替出现的。
相反,[1, 4, 7, 2, 5] 和 [1, 7, 4, 5, 5] 不是摆动序列,第一个序列是因为它的前两个差值都是正数,第二个序列是因为它的最后一个差值为零。
子序列 可以通过从原始序列中删除一些(也可以不删除)元素来获得,剩下的元素保持其原始顺序。
给你一个整数数组 nums ,返回 nums 中作为 摆动序列 的 最长子序列的长度 。
解析:
乍一看,摆动序列+最长子序列,毫无思路。
仔细想想摆动序列,一正一负,就是要求是锯齿状,不满足条件的不要统计,反正本题并不要求返回序列,只要求返回长度,那其实比较简单了,用curDiff和preDiff分别统计差值,再使用一个条件判断即可:
if ((preDiff > 0 && curDiff < 0) || (preDiff < 0 && curDiff > 0))
本题其实难点在于考虑各种各样的边界问题:
(1)只有两个的情况
可以直接返回2,为方便整合在一起,把初始的result设置为1即可
(2)有平坡的情况
相等的时候不要记录,那修改判断条件为:
if ((preDiff >= 0 && curDiff < 0) || (preDiff <= 0 && curDiff > 0)){
同时这样修改条件也解决了首尾两端的问题
(3)单调有平坡
原来我是每次都会更新preDiff,但在这种情况下,到2-2-3时,明明不符合要求,但是preDiff=0,curDiff>0,错误统计
因此改为符合条件才去更新preDiff
代码实现如下:
class Solution {
public:
int wiggleMaxLength(vector<int>& nums) {
if (nums.size() <= 1)
return nums.size();
int curDiff = 0;
int preDiff = 0;
int result = 1;
for (int i=0; i < nums.size() - 1; i++){
curDiff = nums[i+1] - nums[i];
if ((preDiff >= 0 && curDiff < 0) || (preDiff <= 0 && curDiff > 0)){
result++;
preDiff = curDiff;
}
}
return result;
}
};
53. 最大子数组和
题目描述:
给你一个整数数组 nums
,请你找出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。
子数组 是数组中的一个连续部分。
解析:
贪心贪的是哪里呢?
如果 -2 1 在一起,计算起点的时候,一定是从1开始计算,因为负数只会拉低总和,这就是贪心贪的地方!
局部最优:当前“连续和”为负数的时候立刻放弃,从下一个元素重新计算“连续和”,因为负数加上下一个元素 “连续和”只会越来越小。
全局最优:选取最大“连续和”
局部最优的情况下,并记录最大的“连续和”,可以推出全局最优。
从代码角度上来讲:遍历nums,从头开始用count累积,如果count一旦加上nums[i]变为负数,那么就应该从nums[i+1]开始从0累积count了,因为已经变为负数的count,只会拖累总和。
这相当于是暴力解法中的不断调整最大子序和区间的起始位置。
那有同学问了,区间终止位置不用调整么? 如何才能得到最大“连续和”呢?
区间的终止位置,其实就是如果count取到最大值了,及时记录下来了。例如如下代码:
if (count > result) result = count;
这样相当于是用result记录最大子序和区间和(变相的算是调整了终止位置)。
代码实现:
class Solution {
public:
int maxSubArray(vector<int>& nums) {
if (nums.size() <= 1)
return nums[0];
int sum = 0;
int result = INT32_MIN;
for (int i = 0; i < nums.size(); i++){
sum += nums[i];
if (sum > result)
result = sum;
if (sum <= 0)
sum = 0;
}
return result;
}
};