LeetCode——240.搜索二维矩阵 II(Search a 2D Matrix II)[中等]——分析及代码(C++、Java)

一、题目

编写一个高效的算法来搜索 m x n 矩阵 matrix 中的一个目标值 target 。该矩阵具有以下特性:

  • 每行的元素从左到右升序排列。
  • 每列的元素从上到下升序排列。

示例 1:

输入:matrix = [[1,4,7,11,15],[2,5,8,12,19],[3,6,9,16,22],[10,13,14,17,24],[18,21,23,26,30]], target = 5
输出:true

示例 2:

输入:matrix = [[1,4,7,11,15],[2,5,8,12,19],[3,6,9,16,22],[10,13,14,17,24],[18,21,23,26,30]], target = 20
输出:false

提示:

  • m == matrix.length
  • n == matrix[i].length
  • 1 <= n, m <= 300
  • -10^9 <= matrix[i][j] <= 10^9
  • 每行的所有元素从左到右升序排列
  • 每列的所有元素从上到下升序排列
  • -10^9 <= target <= 10^9

来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/search-a-2d-matrix-ii
著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。

二、分析及代码

1. 从左下或右上搜索/Z字形查找

(1)思路

若按下标从左上角搜索,由于向下、向右数值均单调递增,导致无法准确判断搜索方向;

若从左下角搜索,则可以准确判断搜索方向:

  • 当前值 > target,搜索上方数值;
  • 当前值 < target,搜索右方数值;

可以不断迭代,直至搜索到目标 target (true) 或 超出矩阵范围(false)。

(2)代码(C++)

class Solution {
public:
    bool searchMatrix(vector<vector<int>>& matrix, int target) {
        int i = matrix.size() - 1, j = 0;
        while (i > -1 && j < matrix[0].size()) {
            if (matrix[i][j] > target)
                i--;
            else if (matrix[i][j] < target)
                j++;
            else   
                return true;
        }
        return false;
    }
};

(3)结果(C++)

执行用时 :64 ms, 在所有 C++ 提交中击败了 94.18% 的用户;
内存消耗 :12.6 MB, 在所有 C++ 提交中击败了 95.57% 的用户。

(4)代码(Java)

class Solution {
    public boolean searchMatrix(int[][] matrix, int target) {
        int m = matrix.length, n = matrix[0].length;
        int i = m - 1, j = 0;//搜索指针的行、列坐标
        while (i >= 0 && j < n) {//指针在矩阵范围内时
            if (matrix[i][j] == target) {//找到目标值
                return true;
            } else if (matrix[i][j] < target) {//当前元素小于目标值,增大列坐标
                j++;
            } else {//当前元素大于目标值,减小行坐标
                i--;
            }
        }
        return false;//搜索完成后未在矩阵中发现目标值
    }
}

(5)结果(Java)

执行用时 :5 ms,在所有 Java 提交中击败了 96.28% 的用户;
内存消耗 :44 MB,在所有 Java 提交中击败了 39.76% 的用户。

2. 二分搜索

(1)思路

先在矩阵的 45 度对角线上二分搜索,直至发现 target(返回true)或找到 matrix[i][i] < target < matrix[i + 1][i + 1]。

将此时的矩形划分为 4 块讨论,左上部分的数值全部小于 target,右下部分的数值全部大于 target,可跳过。

针对左下部分和右上部分的矩阵进一步二分迭代,直至发现 target。

(2)代码

class Solution {
public:
    bool searchMatrix(vector<vector<int>>& matrix, int target) {
        if (matrix.empty() || matrix[0].empty())
            return false;
        return search(matrix, target, 0, 0, matrix.size(), matrix[0].size());
    }

    bool search(vector<vector<int>>& matrix, int target, int li, int lj, int ri, int rj) {//参数为所搜索矩阵的左下、右上坐标
        if ((li > ri - 1) || (lj > rj - 1) || matrix[li][lj] > target || matrix[ri - 1][rj - 1] < target)
            return false;
        int li0 = li, lj0 = lj, ri0 = ri, rj0 = rj;     
        while (li < ri - 1 || lj < rj - 1) {//二分搜索对角线
            int mi = (li + ri) / 2, mj = (lj + rj) / 2;
            if (matrix[mi][mj] > target) {
                ri = mi;
                rj = mj;
            }
            else {
                li = mi;
                lj = mj;
            }
        }
        if (matrix[li][lj] == target)
            return true;
        return search(matrix, target, li + 1, lj0, ri0, lj + 1) || search(matrix, target, li0, lj + 1, li + 1, rj0);//递归搜索左下和右上矩阵
    }
};

(3)结果

执行用时 :140 ms, 在所有 C++ 提交中击败了 31.13% 的用户;
内存消耗 :13.1 MB, 在所有 C++ 提交中击败了 5.06% 的用户。

三、其他

暂无。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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