力扣练习 3.27

121. 买卖股票的最佳时机

贪婪思想:力争在最低成本买入,最高利润卖出。
[7,1,5,3,6,4]
可以先假设在第一天买入和卖出,这时最低成本是7,最大利润是7-7=0
然后假设在第二天买入和卖出,成本就是1,利润也是0
第三天因为成本比第二天高,所以不买入,只卖出,利润就是5-1=4
以此类推
每次遍历都检测最小成本和最大利润

class Solution:def maxProfit(self, prices: List[int]) -> int:# 贪婪思想,初始化成本和利润cost, profit = float('inf'), 0# 成本是取最小的,利润是选最大的# 遍历过程中不断更新最小成本和最大利润for price in prices:cost = min(cost, price)profit = max(profit, price-cost)return profit

122. 买卖股票的最佳时机 II

单独的交易:看今天卖和昨天买的差值
连续上涨:等差数列

class Solution:def maxProfit(self, prices: List[int]) -> int:# 初始化利润profit = 0# 如果当前比前一天的价格更高,那就是要昨天买今天买# 对于等差数列,在同一天卖跟每天都卖是一样的for i in range(1, len(prices)):# 把所有天的利润加起来,如果是负利润,那么就是0(不卖)temp = max(prices[i]-prices[i-1], 0)profit += tempreturn profit

300. 最长递增子序列

要找到一个数组中最长严格递增子序列(Longest Increasing Subsequence,简称LIS)的长度,动态规划是一种有效的方法。这个问题的关键在于找出一个状态定义,使得状态之间的转移是可解的。

动态规划解法:

  1. 状态定义:定义dp[i]为考虑前i个元素,以第i个数字结尾的最长递增子序列的长度。注意,这里的子序列至少包含一个数,即第i个数本身。

  2. 状态转移方程:要计算dp[i],需要考虑比第i个数小的所有数。对于任意一个小于i的下标j,如果nums[j] < nums[i],那么nums[i]可以接在nums[j]后面形成一个更长的递增子序列。因此,dp[i] = max(dp[i], dp[j] + 1)对所有的0 <= j < inums[j] < nums[i]

  3. 初始化:因为最长递增子序列至少包含自己,所以每个元素的LIS长度初始值至少为1,即dp[i] = 1

  4. 计算顺序:从左到右依次计算每个dp[i],因为计算dp[i]时需要用到前面的dp[j]

  5. 结果:最长递增子序列的长度为所有dp[i]中的最大值。

代码实现

def lengthOfLIS(nums):if not nums:return 0n = len(nums)dp = [1] * n  # 初始化dp数组,每个元素的LIS长度初始值为1for i in range(1, n):for j in range(i):if nums[j] < nums[i]:dp[i] = max(dp[i], dp[j] + 1)return max(dp)  # LIS长度为dp数组中的最大值

1143. 最长公共子序列

解题思路:动态规划
需要构建辅助矩阵,多加一行和一列
当前的状态由左上、左边和上边决定。如果相等,那么当前状态是由左对角线(左上角)的加自己1决定的;如果不相等,那么当前状态需要在左边和上边中选择一个最大的扩展其状态。

步骤 1:

理解问题和目标 我们的目标是找出两个字符串text1text2的最长公共子序列的长度。一个子序列是指从原字符串中删除一些(或不删除)字符而不改变其余字符的顺序得到的新字符串。

步骤 2:

定义 DP 数组 定义二维数组dp,其中dp[i][j]表示text1中前i个字符和text2中前j个字符的最长公共子序列的长度。注意,dp[i][j]是基于text1[0..i-1]text2[0..j-1]的子序列。

步骤 3:

找出状态转移方程

  1. 如果text1[i-1] == text2[j-1],即当前两个字符相等,那么dp[i][j] = dp[i-1][j-1] + 1。因为我们找到了一个公共元素,可以在以前的LCS长度上加1。
  2. 如果text1[i-1] != text2[j-1],即当前两个字符不相等,那么dp[i][j] = max(dp[i-1][j], dp[i][j-1])。此时,LCS的长度是两种情况中的较大值。

步骤 4:

初始化 DP 数组 初始化dp数组的第一行和第一列为0,因为任何字符串与空字符串的最长公共子序列长度都是0。

步骤 5:

填充 DP 数组 从dp[1][1]开始,根据状态转移方程逐步填充整个dp数组。

步骤 6:

解读结果 dp数组的最后一个元素dp[len(text1)][len(text2)]即为text1text2的最长公共子序列的长度。

class Solution:def longestCommonSubsequence(self, text1: str, text2: str) -> int:# 辅助矩阵m, n = len(text1), len(text2)# 都加1个维度,方便后续操作不超索引dp = [[0]*(m+1) for _ in range(n+1)]for i in range(1, n+1): # 先从第一个维度遍历for j in range(1, m+1): #从第二个维度遍历if text1[j-1] == text2[i-1]: # 因为是从1开始,所以要看前面的一位dp[i][j] = dp[i-1][j-1]+1 # 相等,那么就是加上前面的最长子序列和当前的元素else:dp[i][j] = max(dp[i-1][j], dp[i][j-1]) # 不相等,就将左边对角线附近的最长子序列数扩展到当前return dp[n][m]

64. 最小路径和

动态规划
建立一个辅助矩阵,第一行和第一列的路径和只能是从左边或者右边来,所以辅助矩阵维度保持不变,初始化为0,将第一行第一列的值按照路径和定义加进来。
状态转移公式就是dp[i][j] = min(dp[i-1][j], dp[i][j-1]) + grid[i][j]

class Solution:def minPathSum(self, grid: List[List[int]]) -> int:m = len(grid)n = len(grid[0])dp = [[0] * (n) for _ in range(m)]# 初始化起点dp[0][0] = grid[0][0]# 初始化第一列,每个位置只能从上方来for i in range(1, m):dp[i][0] = dp[i-1][0] + grid[i][0]# 初始化第一行,每个位置只能从左边来for j in range(1, n):dp[0][j] = dp[0][j-1] + grid[0][j]# 动态规划for i in range(1, m):for j in range(1, n):# 选择左边和上面的最小值加上当前值dp[i][j] = min(dp[i-1][j], dp[i][j-1]) + grid[i][j]return(dp[-1][-1])  # 输出最后一个位置的值,即右下角的最小路径和

72. 编辑距离

解题思路:动态规划,不用管具体改了什么字符,只管当前状态由什么决定。一般都是跟左边、上边、左上有关。

解释这三个操作对应的状态转移方程,我们先要理解每个操作的含义和如何影响字符串的转换:

  1. 插入dp[i][j] = dp[i][j-1] + 1

    • 这意味着为了从word1的前i个字符转换到word2的前j个字符,我们考虑了在word1的前i个字符基础上,通过在末尾插入一个与word2[j-1]相同的字符,使其与word2的前j个字符匹配。因为我们插入了一个字符,所以操作次数加1。
    • 插入操作是基于假设我们已经找到了将word1的前i个字符转换为word2的前j-1个字符的最优方法,并在此基础上进行一次插入操作。
  2. 删除dp[i][j] = dp[i-1][j] + 1

    • 这表示为了将word1的前i个字符转换为word2的前j个字符,我们考虑了从word1的前i个字符中删除最后一个字符,使其与word2的前j个字符更接近。因为我们进行了删除操作,所以操作次数加1。
    • 删除操作是基于假设我们已经找到了将word1的前i-1个字符转换为word2的前j个字符的最优方法,并在此基础上进行一次删除操作。
  3. 替换dp[i][j] = dp[i-1][j-1] + 1

    • 这意味着为了从word1的前i个字符转换到word2的前j个字符,我们考虑了将word1的第i个字符替换为word2的第j个字符(这两个字符不同),使之匹配。因为我们替换了一个字符,所以操作次数加1。
    • 替换操作是基于假设我们已经找到了将word1的前i-1个字符转换为word2的前j-1个字符的最优方法,并在此基础上进行一次替换操作。

这些状态转移方程的核心思想是,通过局部最优解(即最少的操作次数)来逐步构建全局最优解。在每个位置dp[i][j],我们都尝试三种操作,并从中选择一种使得总操作数最小的方案,以此保证最终得到的是将整个word1转换为word2所需的最少操作次数。

class Solution:def minDistance(self, word1: str, word2: str) -> int:m,n = len(word1), len(word2)# 动态规划dp = [[0]*(n+1) for _ in range(m+1)]# 初始化左上角dp[0][0] = 0# 初始化第一行for i in range(1, m+1):dp[i][0] = i# 初始化第一列for j in range(1, n+1):dp[0][j] = jfor i in range(1, m+1):for j in range(1, n+1):# 如果字符相等if word1[i-1] == word2[j-1]:dp[i][j] = dp[i-1][j-1] # 那就不操作,继承以前的操作else:dp[i][j] = min(dp[i][j-1], dp[i-1][j], dp[i-1][j-1]) + 1 # 否则,就操作,加上当前字符return(dp[m][n])

62. 不同路径

解题思路:又是动态规划。
要确定的点是当前状态是个啥,比如上题就是操作数,这题就是路径数;
然后确定当前状态被什么决定,比如上题是根据左上、左边、上边,本题就是根据左边和上边,理解题意后写出状态转移公式,代码化。

class Solution:def uniquePaths(self, m: int, n: int) -> int:# 辅助矩阵dp = [[1]*n for _ in range(m)]# 状态转移公式for i in range(1, m):for j in range(1, n):# 当前状态是指从原点到当前点的路径总和,由从上和左边来的路径决定dp[i][j] = dp[i-1][j] + dp[i][j-1]return(dp[-1][-1])

考虑到机器人每次只能向下或者向右移动,我们可以发现到达网格中任意位置 (i, j) 的路径数是到达其上方位置 (i-1, j)
和左侧位置 (i, j-1) 的路径数之和。这是因为,从起点到达 (i, j) 的每条路径,都是通过最后一步从 (i-1, j)
(i, j-1) 移动过来的。基于这个原理,我们可以构建一个动态规划方程来求解问题。

动态规划方法

  1. 状态定义:定义 dp[i][j] 为从起点 (0, 0) 到达点 (i, j) 的路径总数。

  2. 状态转移方程:因为到达点 (i, j) 只能从 (i-1, j)(i, j-1) 两个点移动一步到达,所以 dp[i][j] = dp[i-1][j] + dp[i][j-1]

  3. 初始化:初始化第一行和第一列的值为1,因为从起点到达第一行和第一列的任意位置只有一种路径(要么一直向右,要么一直向下)。

  4. 填表:按顺序计算 dp 数组的其余部分。

  5. 结果dp[m-1][n-1] 即为从起点到达终点的路径总数。

解释

  • 初始化时,dp 的每个元素都被设置为1,因为到达第一行或第一列的任意位置的路径只有一条。
  • 通过双层循环,我们更新 dp 数组的值,使其反映到达每个位置的路径数。
  • 最后,dp[m-1][n-1] 存储了到达右下角的路径总数。

这种动态规划方法利用了问题的子结构(问题的解可以通过其子问题的解来构建)和重叠子问题(相同的子问题被多次计算)特点,使得我们可以高效地求解原问题。

152. 乘积最大子数组

要解决这个问题,我们可以同时跟踪到当前位置为止的最大乘积和最小乘积(因为一个很小的负数乘以一个负数可能变成一个很大的正数)。这意味着我们需要维护两个动态规划数组,一个用于追踪最大乘积,另一个用于追踪最小乘积。

修改后的算法:

  1. 定义状态

    • max_dp[i] 表示到第i个元素为止的最大连续子数组乘积。
    • min_dp[i] 表示到第i个元素为止的最小连续子数组乘积(考虑负负得正的情况)。
  2. 状态转移方程

    • 对于每个i,有三种情况需要考虑(nums[i]本身、nums[i] * max_dp[i-1]nums[i] * min_dp[i-1]),因为当前元素可以独自成为最大乘积子数组,或者可以与前一个子数组的最大/最小乘积相乘形成新的最大/最小乘积。
    • max_dp[i] = max(nums[i], nums[i] * max_dp[i-1], nums[i] * min_dp[i-1])
    • min_dp[i] = min(nums[i], nums[i] * max_dp[i-1], nums[i] * min_dp[i-1])
  3. 初始化

    • max_dp[0] = min_dp[0] = nums[0],因为第一个元素前面没有其他元素,所以它自己就是一个子数组。
  4. 遍历数组

    • 按照状态转移方程更新max_dpmin_dp
  5. 找到最大乘积

    • 最大乘积不一定是max_dp[-1],因为最大乘积可能出现在数组的任何位置,所以需要遍历max_dp数组找到最大值。
class Solution:def maxProduct(self, nums: List[int]) -> int:# 因为负负得正,所以不能只看大于0的,维护两个辅助数组max_dp = [1] * len(nums)min_dp = [1] * len(nums)max_dp[0] = nums[0]min_dp[0] = nums[0]# 最大乘积的数组状态由当前元素;如果前面是正的,乘当前;最小乘积有可能是负的,当前也可能是负的for i in range(1, len(nums)):max_dp[i] = max(nums[i], max_dp[i-1]*nums[i], min_dp[i-1]*nums[i])min_dp[i] = min(nums[i], max_dp[i-1]*nums[i], min_dp[i-1]*nums[i])return max(max_dp)

198. 打家劫舍

问题的关键是找到一个状态定义,以及如何根据前面的状态来更新当前的状态。问题可以描述为:给定一个整数数组,从中选取出一些元素,这些元素的总和最大,但不能选取相邻的元素。

动态规划思路

  1. 状态定义:定义dp[i]为到达第i个房屋时能够偷窃到的最高金额。

  2. 状态转移方程:对于第i个房屋,有两种选择:

    • 不偷这个房屋,那么总金额就是到前一个房屋为止的最高金额,即dp[i-1]
    • 偷这个房屋,那么总金额就是这个房屋的金额加上到前前个房屋为止的最高金额,即nums[i] + dp[i-2](因为不能偷相邻的房屋)。
      所以,dp[i] = max(dp[i-1], nums[i] + dp[i-2])
  3. 初始化

    • dp[0] = nums[0],只有一个房屋时,只能偷这一个;
    • 如果有两个房屋,应该选择金额较大的那个,所以dp[1] = max(nums[0], nums[1])
  4. 计算顺序:从左到右依次计算每个dp[i]

class Solution:def rob(self, nums: List[int]) -> int:# 处理只有一个元素的情况if len(nums) == 1:return nums[0]# 直接复制数组作为辅助数组dp = nums.copy()# 第二个状态取前两个的最大值dp[1] = max(nums[0], nums[1])# dp的当前状态是到当前的最高金额(和)for i in range(2, len(nums)):# 要么不偷,要么偷dp[i] = max(dp[i-1], dp[i-2] + nums[i])return dp[-1]

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/news/776089.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

前端开发避坑-form表单action和submit提交与ajax异步提交冲突引起的故障解决

前端开发避坑-form表单action和submit提交与ajax异步提交冲突引起的故障解决&#xff01; 近期在开发网站前端的时候&#xff0c;始终出现2次请求。困扰了很久。查询了网上的解决办法。发现&#xff0c;根源是因为&#xff0c;我的form表单里增加了一个action。虽然里面是空的…

JAVA WEB 能够实现整个文件夹的上传下载吗?

导入项目&#xff1a; 导入到Eclipse&#xff1a;导入项目 导入到IDEA&#xff1a;导入项目 springboot统一配置&#xff1a;springboot-配置 下载示例&#xff1a; https://gitee.com/xproer/up6-jsp-eclipse/tree/6.5.40/ 工程 NOSQL NOSQL示例不需要任何配置&#xff0c;可…

【面试经典150 | 】最长递增子序列

文章目录 Tag题目来源解题思路方法一&#xff1a;动态规划 写在最后 Tag 【动态规划】【数组】 题目来源 300. 最长递增子序列 解题思路 方法一&#xff1a;动态规划 定义状态 dp[i] 表示以位置 i 对应整数为末尾的最长递增子序列的长度。 状态转移 我们从小到大计算 dp…

【前端学习——js篇】 10.this指向

具体见&#xff1a;https://github.com/febobo/web-interview 10.this指向 根据不同的使用场合&#xff0c;this有不同的值&#xff0c;主要分为下面几种情况&#xff1a; 默认绑定隐式绑定new绑定显示绑定 ①默认绑定 全局环境中定义person函数&#xff0c;内部使用this关…

FASTAPI系列 16-其他响应类型

FASTAPI系列 16-其他响应类型 文章目录 FASTAPI系列 16-其他响应类型前言一、HTMLResponse 响应 HTML二、纯文本响应三、另外的JSON 响应四、FileResponse文件五、StreamingResponse六、RedirectResponse 重定向请求总结更多内容&#xff0c;请关注公众号, 发送666 更可以得到免…

解决配置文件中文乱码

一、问题 二、解决方法

HTML5+CSS3小实例:文字边框视觉错位

实例:文字边框视觉错位 技术栈:HTML+CSS 效果: 源码: 【HTML】 <!DOCTYPE html> <html lang="zh-CN"> <head><meta charset="UTF-8"><meta name="viewport" content="width=device-width, initial-scal…

StringRedisTemplate与RedisTemplate详解【序列化的方式不同】

spring 封装了 RedisTemplate 对象来进行对redis的各种操作&#xff0c;它支持所有的 redis 原生的 api。在RedisTemplate中提供了几个常用的接口方法的使用&#xff0c;分别是: private ValueOperations<K, V> valueOps; private HashOperations<K, V> hashOps; …

TLSR8258 MTU、DLE(PDU)

本文基于泰凌微TLSR8258 M1S1 demo。 1.DLE&#xff1a;LE Data Packet Length Extension 中文全称&#xff1a;低功耗蓝牙数据包长度扩展。 这是一个在2014年12月2日正式发布的bluetooth for BLE添加的新特性&#xff0c;以支持在LL Data PDU更长的数据&#xff0c;最大支持…

自己编译SQLite或将SQLite移植到新的操作系统(六)

返回&#xff1a;SQLite—系列文章目录 上一篇:SQLite中的动态内存分配&#xff08;五&#xff09; 下一篇&#xff1a;SQLite—系列文章目录 1.0 引言 对于大多数应用程序&#xff0c;推荐的构建方法 SQLite是使用合并代码 文件 sqlite3.c 及其相应的头文件 sqlite3.…

刚刚,百度和苹果宣布联名

百度 Apple 就在刚刚&#xff0c;财联社报道&#xff0c;百度将为苹果今年发布的 iPhone16、Mac 系统和 iOS18 提供 AI 功能。 苹果曾与阿里以及另外一家国产大模型公司进行过洽谈&#xff0c;最后确定由百度提供这项服务&#xff0c;苹果预计采取 API 接口的方式计费。 苹果将…

Jenkins用户角色权限管理

Jenkins作为一款强大的自动化构建与持续集成工具&#xff0c;用户角色权限管理是其功能体系中不可或缺的一环。有效的权限管理能确保项目的安全稳定&#xff0c;避免敏感信息泄露。 1、安装插件&#xff1a;Role-based Authorization Strategy 系统管理 > 插件管理 > 可…

Docker 哲学 - Dockerfile 指令

Dockerfile 的 entrypoint 和 cmd 书写方式一样吗&#xff0c;分别用一个node项目的 demo来举例 Dockerfile 的 entrypoint 、cmd 有什么区别&#xff0c;分别举例他们同时出现的场景和 单独出现的场景 entrypoint 和 cmd 命令&#xff1a; 同时出现&#xff1a; 1、cmd 作为 e…

【教程】iOS如何抓取HTTP和HTTPS数据包经验分享

&#x1f4f1; 在日常的App开发和研发调研中&#xff0c;对各类App进行深入的研究分析时&#xff0c;我们需要借助专业的抓包应用来协助工作。本文将介绍如何使用iOS手机抓包工具来获取HTTP和HTTPS数据包&#xff0c;并推荐一款实用的抓包应用——克魔助手&#xff0c;希望能够…

婴儿围嘴CPC认证,亚马逊CPSIA检测要求

婴幼儿围嘴 如果您在亚马逊商城发布商品&#xff0c;则必须遵守适用于这些商品和商品信息的所有联邦、州和地方法律以及亚马逊政策&#xff08;包括本政策&#xff09;。 质科检测&#xff0c;专业提供亚马逊合规检测服务&#xff08;详情联系质科李工&#xff09; 本政策适用…

快速上手Pytrch爬虫之爬取某应图片壁纸

一、前置知识 1 爬虫简介 网络爬虫&#xff08;又被称作网络蜘蛛、网络机器人&#xff0c;在某些社区中也经常被称为网页追逐者)可以按照指定的规则&#xff08;网络爬虫的算法&#xff09;自动浏览或抓取网络中的信息。 1.1 Web网页存在方式 表层网页指的是不需要提交表单&…

《数据结构学习笔记---第三篇》---单链表具体实现

目录 1.链表 1.1 链表的概念及结构 2.不带头单链表的实现 2.1创建头文件“SList.h” 2.2 创建具体接口实现文件SList.c 2.2.1打印 2.2.2申请链表结点 2.2.3创建一个长度为n的链表 2.2.4尾插尾删 2.2.5头插头删 2.2.6寻找x元素&#xff0c;返回pos 2.2.7插入和删除pos…

JS(三)JavaScript中的流程控制

JS&#xff08;三&#xff09;JavaScript中的流程控制 在JavaScript中&#xff0c;流程控制通常通过条件语句和循环语句来实现。常见的流程控制结构包括&#xff1a; 01 条件语句&#xff1a; if 语句&#xff1a;根据条件执行不同的代码块。if…else 语句&#xff1a;在条件…

量子专家联合开展欧洲之星项目“SupremeQ”以实现光量子计算优势

内容来源&#xff1a;量子前哨&#xff08;ID&#xff1a;Qforepost&#xff09; 编辑丨王珩 编译/排版丨浪味仙 沛贤 深度好文&#xff1a;1800字丨10分钟阅读 近日&#xff0c;英国全栈光量子计算系统公司 ORCA Computers、德国单光子探测器提供商 Pixel Photonics、丹麦量…

spring boot的返回值里面含有net.sf.json.JSONObject 报错net.sf.json.JSONNull[“empty“])]

一、过程 在对接第三的接口使&#xff0c;发现对方使用的json是net.sf.json.JSONObject。接口在返回值的时候就没有对其进行处理&#xff0c;直接返回了但是&#xff0c;后台也不报错&#xff0c;后端也没有收到响应值&#xff0c;只显示500的报错状态码。仔仔细细的看后台的日…