leetcode:剑指 Offer 14- I. 剪绳子(dp,中等)

本文探讨了如何从传统dp思路出发,解决绳子切割问题,通过两次迭代的dp方法和更简洁的递归实现,揭示了如何消除回溯并找到最优分段次数。作者对比了不同版本的dp代码,强调了数学公式对思维的影响,并展示了严谨的递推公式设计。
摘要由CSDN通过智能技术生成

题目:

在这里插入图片描述

分析:

相关的数学知识:

在这里插入图片描述

但是没有用到。

题解给的dp,按理说挺容易想到dp的,可能收到了数学公式的制约。思维被限制了。

代码:

#include<bits/stdc++.h>
using namespace std;
int A[60];
int f(int n)
{//可以不分的最大值 
 if(A[n]!=-1) return A[n];
 A[n]=n;
 for(int i=1;i<=n/2;i++)
 {
  A[n]=max(A[n],f(n-i)*f(i));
  }
 return A[n];
}
int main()
{
 int n;
 if(n==2) return 1;
 int maxx=-1;
 memset(A,-1,sizeof(A));
 A[1]=1;
 A[2]=2;
 A[3]=3;
 for(int i=1;i<=n/2;i++)
 {
  maxx=max(maxx,f(n-i)*i);
 }
 return maxx;
}

12.15再次做,依然没反应过来是dp,换了一种dp:

class Solution {
public:
    int f(vector<vector<int> >& vv,int x,int y)
    {
        if(vv[x][y]!=-1) return vv[x][y];
        if(y==1) return x;
        if(x==y) return 1;
        for(int i=1;x-i>=y-1;i++)
        {
            vv[x][y]=max(vv[x][y],i*f(vv,x-i,y-1));
        }
        return vv[x][y];
    }
    int cuttingRope(int n) {
        vector<vector<int> > vv(n+1,vector<int>(n+1,-1));
        //vv[i][j]  长度为i分成j段。
        int maxx=-1;
        for(int i=2;i<=n;i++)
        {
            maxx=max(maxx,f(vv,n,i));
        }
        return maxx;
    }
};

题解的和我的第一次的一样,但消除了回溯。

dp【i】代表绳子长度i情况下的最大追。
dp【i】=dp【j】*(i-j)

不对,dp[i]代表的是必须至少分两次的最优值。

class Solution {
public:
    int cuttingRope(int n) {
        vector<int> v(n+1,1);
        for(int i=2;i<=n;i++)
        {
            for(int j=1;j<i;j++)
            {
                v[i]=max(v[i],max((i-j)*j,v[j]*(i-j)));
            }
        }
        return v[n];
    }
};

这里写的非常的严谨,因为如果没有(i-j)j的话,v[j](i-j)相当于最少分3次了。

v[i]=max(v[i],max((i-j)*j,v[j]*(i-j)));
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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