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;
}
}