LCR 003

题目：LCR 003

解法一：Brian Kernighan 算法

遍历数组时，利用利用 Brian Kernighan 算法，直接计算每个数字的「一比特数」。

Brian Kernighan 算法的原理是：对于任意整数 x，令 x=x & (x−1)，该运算将 x 的二进制表示的最后一个 1 变成 0。因此，对 x 重复该操作，直到 x 变成 0，则操作次数即为 x 的「一比特数」。

如：1011 => 1011&1010=1010 => 1010&1001=1000 => 1000&111=0000，可以看到每次执行，原数的最低有效位都由1变为了0，所以当执行结果为0时，执行的次数就是 x 的「一比特数」

class Solution {
    public int[] countBits(int n) {
        int[] bits = new int[n + 1];
        for (int i = 0; i <= n; i++) {
            bits[i] = countOnes(i);
        }
        return bits;
    }

    public int countOnes(int x) {
        int ones = 0;
        while (x > 0) {
            x &= (x - 1);
            ones++;
        }
        return ones;
    }
}

注意点：该解法时间复杂度为O(logn)，不推荐

解法二：动态规划 - 最高有效位

该解法利用了已计算出的结果，和青蛙跳台阶问题相似

例如：1011 => 1(011) => 1000+11 => 1 +「11一比特数」=> 1+2 => 3

class Solution {
    public int[] countBits(int n) {
        int[] bits = new int[n + 1];
        int highBit = 0;
        for (int i = 1; i <= n; i++) {
            if ((i & (i - 1)) == 0) {
                highBit = i;
            }
            bits[i] = bits[i - highBit] + 1;
        }
        return bits;
    }
}

注意：i & (i - 1)为0时，表示i为2的整数次幂

解法三：动态规划 - 最低有效位

该解法通样利用了已计算出的结果，和解法二的不同点是从最低有效位开始分割

例如：1011 => (101)1 => 「101一比特数」+ 1(奇数为1，偶数为0) => 2+1 => 3

class Solution {
    public int[] countBits(int n) {
        int[] bits = new int[n + 1];
        for (int i = 1; i <= n; i++) {
            bits[i] = bits[i >> 1] + (i & 1);
        }
        return bits;
    }
}

注意：i & 1用来判断i的二进制最低位，也可以用来判断i的奇偶性

解法四：动态规划 - 最低设置位

最低设置位为 x 的二进制表示中的最低的 1 所在位，该解法利用的是 bits[x] = bits[y] + 1，y = x & (x−1)，是Brian Kernighan 算法的反向推导。与解法三的区别是，分割的位置不同。例如：

• 解法三：1110 => (111)(0) => 「111一比特数」+ 0(奇数为1，偶数为0) => 3+0 => 3
• 解法四：1110 => (11)(10) => 「11一比特数」+ 1(最低设置位一定为1) => 2+1 => 3

class Solution {
    public int[] countBits(int n) {
        int[] bits = new int[n + 1];
        for (int i = 1; i <= n; i++) {
            bits[i] = bits[i & (i - 1)] + 1;
        }
        return bits;
    }
}