435. 无重叠区间
给定一个区间的集合 intervals
,其中 intervals[i] = [starti, endi]
。返回 需要移除区间的最小数量,使剩余区间互不重叠 。
示例 1:
输入: intervals = [[1,2],[2,3],[3,4],[1,3]]
输出: 1
解释: 移除 [1,3] 后,剩下的区间没有重叠。
示例 2:
输入: intervals = [ [1,2], [1,2], [1,2] ]
输出: 2
解释: 你需要移除两个 [1,2] 来使剩下的区间没有重叠。
示例 3:
输入: intervals = [ [1,2], [2,3] ]
输出: 0
解释: 你不需要移除任何区间,因为它们已经是无重叠的了。
提示:
1 <= intervals.length <= 10^5
intervals[i].length == 2
-5 * 10^4 <= starti < endi <= 5 * 10^4
贪心+对区间按照结束位置进行升序排序
class Solution {
public int eraseOverlapIntervals(int[][] intervals) {
// 如果没有区间,直接返回0
if (intervals.length == 0) {
return 0;
}
// 对区间按照结束位置进行升序排序
// 结束的越早,后面的空间就越大,从而后面取到最多区间的可能性就越大。
Arrays.sort(intervals, new Comparator<int[]>() {
public int compare(int[] interval1, int[] interval2) {
return interval1[1] - interval2[1]; // 升序排序
}
});
int n = intervals.length; // 区间的数量
int right = intervals[0][1]; // 初始时,right为第一个区间的结束位置
int ans = 1; // 至少有一个区间不需要移除(第一个区间)
// 从第二个区间开始遍历
for (int i = 1; i < n; ++i) {
// 如果当前区间的起始位置大于或等于上一个选择的区间的结束位置,说明不重叠
if (intervals[i][0] >= right) {
++ans; // 这个区间可以保留
right = intervals[i][1]; // 更新right为当前区间的结束位置
}
}
// 返回需要移除的区间数量:总数减去保留的区间数量
return n - ans;
}
}
- 时间复杂度:O(n logn)。
- 空间复杂度:O(1)
贪心+对区间按照起始位置进行降序排序
class Solution {
public int eraseOverlapIntervals(int[][] intervals) {
// 如果没有区间,直接返回0
if (intervals.length == 0) {
return 0;
}
// 对区间按照起始位置进行降序排序
Arrays.sort(intervals, new Comparator<int[]>() {
public int compare(int[] interval1, int[] interval2) {
return interval2[0] - interval1[0]; // 降序排序
}
});
int n = intervals.length; // 区间的数量
int left = intervals[0][0]; // 初始时,right为第一个区间的起始位置
int ans = 1; // 至少有一个区间不需要移除(第一个区间)
for (int i = 1; i < n; ++i) {
// 如果当前区间的结束位置小于或等于上一个选择的区间的起始位置,说明不重叠
if (intervals[i][1] <= left) {
++ans; // 这个区间可以保留
left = intervals[i][0]; // 更新 left 为当前区间的起始位置
}
}
// 返回需要移除的区间数量,总数减去保留的区间数量
return n - ans;
}
}
动态规划+对区间按照起点进行升序排序
class Solution {
public int eraseOverlapIntervals(int[][] intervals) {
// 如果输入的区间数组为空,直接返回0,表示不需要移除任何区间
if (intervals.length == 0) {
return 0;
}
// 先对区间按照起点进行升序排序
Arrays.sort(intervals, new Comparator<int[]>() {
public int compare(int[] interval1, int[] interval2) {
return interval1[0] - interval2[0];
}
});
int n = intervals.length; // 区间的总数
int[] f = new int[n]; // f[i] 表示以第 i 个区间结尾的最长不重叠区间序列的长度
Arrays.fill(f, 1); // 每个区间自身可以视为一个长度为1的不重叠序列
// 动态规划计算最长不重叠区间序列的长度。从第二个区间开始遍历。
for (int i = 1; i < n; ++i) {
// 遍历它前面的所有区间
for (int j = 0; j < i; ++j) {
// 检查区间 j 的结束点是否小于或等于区间 i 的起点
if (intervals[j][1] <= intervals[i][0]) {
// 如果不重叠,更新f[i]为f[j]加上当前区间
f[i] = Math.max(f[i], f[j] + 1);
}
}
}
// 最终,f数组中的最大值表示最多可以选择多少个互不重叠的区间
int maxNonOverlapping = Arrays.stream(f).max().getAsInt();
// 需要移除的区间数等于总区间数减去最大不重叠区间数
return n - maxNonOverlapping;
}
}
- 时间复杂度:
O
(
n
2
)
O\left(n^2\right)
O(n2) ,其中
n
n
n 是区间的数量。我们需要
O
(
n
log
n
)
O(n \log n)
O(nlogn) 的时间对所有的区间按照左端点进行升序排序,并且需要
O
(
n
2
)
O\left(n^2\right)
O(n2) 的时间进行动态规划。由于前者在渐进意义下小于后者,因此总时间复杂度为
O
(
n
2
)
O\left(n^2\right)
O(n2) 。
注意到方法一本质上是一个「最长上升子序列」问题,因此我们可以将时间复杂度优化至 O ( n log n ) O(n \log n) O(nlogn) ,具体可以参考「300. 最长递增子序列的官方题解」。即贪心+二分。 - 空间复杂度: O ( n ) O(n) O(n) ,即为存储所有状态 f i f_i fi 需要的空间。