leetcode3098. 求出所有子序列的能量和


官解

class Solution(object):# 定义常量mod = int(1e9 + 7)  # 模数,用于防止结果溢出inf = float('inf')  # 无穷大,用于初始化时的特殊值def sumOfPowers(self, nums, k):n = len(nums)  # 数组长度res = 0  # 用于存储最终结果# 三维动态规划表,d[i][p][v] 表示以 nums[i] 结尾的长度为 p 的子序列,最小绝对差为 v 的频次d = [[defaultdict(int) for _ in range(k + 1)] for _ in range(n)]nums.sort()  # 对 nums 进行排序,确保子序列的顺序for i in range(n):# 初始化:长度为 1 的子序列,最小绝对差为无穷大,频次为 1d[i][1][self.inf] = 1for j in range(i):# 计算 nums[i] 和 nums[j] 之间的绝对差diff = abs(nums[i] - nums[j])# 更新长度为 p 的子序列的最小绝对差,其中 p 从 2 到 kfor p in range(2, k + 1):for v, cnt in d[j][p - 1].items():# 更新 d[i][p][min(diff, v)]d[i][p][min(diff, v)] = (d[i][p][min(diff, v)] + cnt) % self.mod# 计算结果:遍历所有以 nums[i] 结尾的长度为 k 的子序列for v, cnt in d[i][k].items():# 累加 v * cnt 到 res 中,并取模res = (res + v * cnt % self.mod) % self.modreturn res  # 返回最终结果

Chatgpt解

这段代码实现了一个名为sumOfPowers的方法,它的目标是计算给定数组 nums 中所有长度为 k 的子序列的最小绝对差的和,并将结果对 1e9 + 7 取模。

代码分解与解释

变量和数据结构
  • mod = int(1e9 + 7): 模数,用于防止结果溢出。
  • inf = float('inf'): 表示无穷大,用于初始化时的特殊值。
  • d = [[defaultdict(int) for _ in range(k + 1)] for _ in range(n)]: 三维动态规划表,用于存储子序列的最小绝对差。
    • d[i][p] 表示以 nums[i] 结尾的长度为 p 的子序列,其最小绝对差的频次。
    • d[i][p][v] 表示上述子序列中,最小绝对差为 v 的子序列数量。
算法步骤
  1. 初始化:

    • n = len(nums): 数组 nums 的长度。
    • res = 0: 用于存储最终结果。
    • nums.sort(): 对 nums 进行排序,确保子序列的顺序。
    • 初始化 d[i][1][inf] = 1,表示长度为 1 的子序列,最小绝对差为无穷大。
  2. 动态规划填表:

    • 遍历数组的每一个元素 nums[i]:
      • 对于每一个之前的元素 nums[j] (其中 j < i):
        • 计算 nums[i]nums[j] 之间的绝对差 diff
        • 更新长度为 p 的子序列的最小绝对差,其中 p 从 2 到 k:
          • 对于 d[j][p-1] 中的每个 vcnt:
            • 更新 d[i][p][min(diff, v)],其中 v 是子序列的最小绝对差,cnt 是其出现的频次。
            • 使用 min(diff, v) 确保当前子序列的最小绝对差。
  3. 计算结果:

    • 遍历所有以 nums[i] 结尾的长度为 k 的子序列:
      • 对于每个最小绝对差 v 和其出现的频次 cnt:
        • 累加 v * cntres 中,并取模。
返回结果
  • 返回 res,即所有长度为 k 的子序列的最小绝对差的和,并对 1e9 + 7 取模。

代码的关键点

  • 使用三维动态规划表 d 来存储子序列信息。
  • 确保子序列按照递增顺序进行计算,避免重复计算。
  • 通过 min(diff, v) 保持子序列的最小绝对差。

总结

这段代码通过动态规划的方法有效地计算了所有长度为 k 的子序列的最小绝对差,并利用模数 1e9 + 7 处理可能出现的大数溢出问题。代码的核心思想是利用前缀子序列的信息来逐步构建长度为 k 的子序列,并在构建过程中不断更新最小绝对差。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/49454.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Nacos-2.4.0最新版本docker镜像,本人亲自制作,部署十分方便,兼容postgresql最新版本17和16,奉献给大家了

基于Postgresql数据库存储的nacos最新版本2.4.0,采用docker镜像安装方式 因业务需要,为了让nacos支持postgresql,特意花了两天时间修改了源码,然后制作了docker镜像,如果你也在找支持postgresql的nacos最新版本,恭喜你,你来的正好~ nacos-2.4.0 postgresql的数据库脚本…

C#中的new以及类

new关键字的用法 实例化对象&#xff1a;使用 new 关键字可以创建一个类的实例。例如&#xff1a; ​ MyClass obj new MyClass(); 指定构造函数&#xff1a;如果类有多个构造函数&#xff0c;可以使用 new 关键字指定使用哪一个构造函数来创建对象。例如&#xff1a; ​ MyC…

Apache SeaTunnel快速入门及原理和实践(一)

一、概述 主要从以下6个方面进行&#xff1a; 对数据集成做一个简单的概括对 SeaTunnel 做简单的介绍介绍 SeaTunnel 当前的原理和架构演进对当前市面上一些比较常见的数据集成工具进行对比&#xff0c;来解读一下现在市面上已经有了那么多数据集成工具&#xff0c;为什么我们…

Django Web框架——01

目录 文章目录 目录 Django框架的介绍起源&现状Django的安装 创建Django项目创建项目的指令Django项目的目录结构settings.py 文件介绍 URL 介绍URL定义Django如何处理一个URL对应的请求视图函数(view) Django 路由配置path() 函数path转换器 re_path()函数 HTTP协议的请求…

CoAP——Libcoap安装和使用(Ubuntu22.04)

1、简介 CoAP&#xff08;Constrained Application Protocol&#xff09;是一种专为受限设备和网络设计的应用层协议。它类似于HTTP&#xff0c;但具有更轻量级的特性&#xff0c;适合用于物联网&#xff08;IoT&#xff09;环境中的低功耗和低带宽设备。Libcoap是一个轻量级的…

云计算实训12——配置web服务器、配置客户端服务器、配置DNS服务、实现DNS域名解析

一、配置web服务器 准备操作 首先在正式配置之前需要做以下操作 关闭防火墙 systemctl stop firewalld 永久关闭防火墙 systemctl disable firewalld 关闭selinux setenforce 0 永久关闭selinux vim /etc/selinux/config selinuxpermissive 还需要保证能够正常ping通www.bai…

什么是 JSON文件

JSON&#xff08;JavaScript Object Notation&#xff09;是一种轻量级的数据交换格式&#xff0c;它独立于语言&#xff0c;易于人阅读和编写&#xff0c;同时也易于机器解析和生成。JSON基于JavaScript的对象字面量语法&#xff0c;但是它作为一种数据格式&#xff0c;并不仅…

【SpingCloud】客户端与服务端负载均衡机制,微服务负载均衡NacosLoadBalancer, 拓展:OSI七层网络模型

客户端与服务端负载均衡机制 可能有第一次听说集群和负载均衡&#xff0c;所以呢&#xff0c;我们先来做一个介绍&#xff0c;然后再聊服务端与客户端的负载均衡区别。 集群与负载均衡 负载均衡是基于集群的&#xff0c;如果没有集群&#xff0c;则没有负载均衡这一个说法。 …

有哪些好用的 AI 学术研究工具和科研工具?

AI视频生成&#xff1a;小说文案智能分镜智能识别角色和场景批量Ai绘图自动配音添加音乐一键合成视频百万播放量https://aitools.jurilu.com/ AI 应用其实分两个层面&#xff0c;第一是模型&#xff0c;第二是应用。现在很多模型厂家都是既做 toC 的对话应用&#xff0c;也做 t…

GD 32 流水灯

前言&#xff1a; 通过后面的学习掌握了一些逻辑架构的知识&#xff0c;通过复习的方式将学到的裸机任务架构的知识运用起来&#xff0c;同时巩固前面学到的知识&#xff0c;GPIO的配置等。 开发板上LED引脚使用示意图 注&#xff1a;此次LED灯的点亮凡是是高电平点亮&#xff…

python中利用pickle模块保存格式化数据

有时候需要保存复杂的格式化的数据&#xff0c;比如保存一个字典&#xff0c;这就可以用pickle模块进行保存。 pickle模块简介 pickle模块是python专用的持久化模块&#xff0c;可以持久化保存包括自定义数据在内的各种数据&#xff0c;适合python本身复杂数据的保存。 具体…

Error和Exception区别

Error类型的错误通常为虚拟机相关错误,如系统崩溃,内存不足,堆栈溢出等,编译器不会对这类错误进行检测,JAVA应用程序也不对这类错误进行捕获,一旦这类错误发生,通常应用程序会被终止,仅靠应用程序本身无法恢复; Exception 类的错误是可以在应用程序中进行捕获并处理的…

数学建模(6)——预测类模型目录

预测模型是一类通过分析和建模历史数据来预测未来结果的算法或模型。这些模型广泛应用于各种领域&#xff0c;包括金融、医疗、市场营销、气象、制造业等。以下是一些常见的预测模型&#xff1a; 1. 回归模型 线性回归&#xff08;Linear Regression&#xff09;&#xff1a;…

好用的电脑屏幕监控软件推荐,什么软件能够监控电脑?

在当今信息化时代&#xff0c;电脑屏幕监控软件成为了企业管理、家长监管以及教育培训等领域的必备工具。通过实时监控电脑屏幕&#xff0c;这类软件可以有效提高工作效率&#xff0c;防止信息泄露&#xff0c;保障网络安全。本文将详细盘点几款主流的电脑屏幕监控软件&#xf…

Linux shell编程学习笔记66:ping命令 超详细的选项说明

0 前言 网络信息是电脑网络信息安全检查中的一块重要内容&#xff0c;Linux和基于Linux的操作系统&#xff0c;提供了很多的网络命令&#xff0c;今天我们研究最常用的ping命令。 1 ping命令 的功能、格式和选项说明 1.1 ping命令 的功能 简单来说&#xff0c; ping 命令 会…

全网最适合入门的面向对象编程教程:23 类和对象的 Python 实现-抛出异常

全网最适合入门的面向对象编程教程&#xff1a;23 类和对象的 Python 实现-抛出异常 摘要&#xff1a; 本文主要介绍了在使用Python面向对象编程时&#xff0c;抛出异常的应用场景、raise语句的使用方法和raise语句语法格式&#xff0c;并举出相应示例辅助讲解。 原文链接&am…

数据结构从入门到精通二 ~ 数组和链表

1. 前言 在计算机科学和软件工程领域&#xff0c;数据结构是指在计算机中组织和存储数据的方式&#xff0c;数组和链表是其中最基础也是最常用的两种数据结构之一。 数组&#xff08;Array&#xff09;&#xff1a;是一种线性表数据结构&#xff0c;它使用连续的内存空间来存储…

【PyTorch】图像二分类项目

【PyTorch】图像二分类项目 【PyTorch】图像二分类项目-部署 【PyTorch】图像多分类项目 【PyTorch】图像多分类项目部署 图像分类是计算机视觉中的一项重要任务。在此任务中&#xff0c;我们假设每张图像只包含一个主对象。在这里&#xff0c;我们的目标是对主要对象进行分类。…

【环境搭建】使用openSfM+MVSNet重建稠密点云

本帖详细介绍了如何使用openSfM+MVSNet对真实采集的数据进行稀疏重建与稠密重建,并针对一些真实场景下可能遇到的问题进行了整理。 目录 1. 背景2. 数据采集3. 使用openSfM进行稀疏重建3.1 输入文件3.2 稀疏重建4. 使用MVSNet进行稠密重建5. Q&A:为什么我的重建效果不好…

检索增强生成Retrieval-Augmented Generation(RAG)简介

检索增强生成Retrieval-Augmented Generation&#xff08;RAG&#xff09;简介 引言 在自然语言处理领域&#xff0c;生成式任务&#xff08;如文本生成、机器翻译等&#xff09;一直备受关注。传统的生成模型如GPT、BERT等虽然取得了显著成果&#xff0c;但在处理长文本、知…