1N 皇后 II

n 皇后问题 研究的是如何将 n 个皇后放置在 n × n 的棋盘上，并且使皇后彼此之间不能相互攻击。

给你一个整数 n ，返回 n 皇后问题 不同的解决方案的数量。

示例 1：

输入：n = 4
输出：2
解释：如上图所示，4 皇后问题存在两个不同的解法。

示例 2：

输入：n = 1
输出：1

提示：

• 1 <= n <= 9

思路：

1. 回溯算法：

   • 使用回溯算法探索所有可能的解空间。从棋盘的第一行开始，逐行尝试在每一列放置皇后，并检查是否满足 N 皇后问题的要求。
   • 如果当前位置可以放置皇后，则递归到下一行，继续尝试放置下一个皇后。
   • 如果某一行无法放置皇后，或者已经放置了 N 个皇后，尝试改变之前的放置，进行回溯。

2. isValid 函数：

   • isValid 函数用于检查在给定位置放置皇后是否合法，即是否满足 N 皇后问题的要求。
   • 检查条件包括：列上是否有皇后、左上方是否有皇后、右上方是否有皇后。

3. 总结解的数量：

   • 使用一个私有变量 count 记录符合条件的解的数量。
   • 每当成功放置 N 个皇后，即遍历完所有行后，增加 count 的值。

4. totalNQueens 函数：

   • totalNQueens 函数作为入口点，初始化一个大小为 N x N 的棋盘，并调用 backtracking 函数开始搜索解空间。
   • 最终返回符合条件的解的数量。

代码：

class Solution {
private:
int count = 0;
void backtracking(int n, int row, vector<string>& chessboard) {if (row == n) { // 如果已经遍历完所有行，表示找到了一个解count++;return;}for (int col = 0; col < n; col++) {if (isValid(row, col, chessboard, n)) {chessboard[row][col] = 'Q'; // 放置皇后backtracking(n, row + 1, chessboard); // 继续下一行的放置chessboard[row][col] = '.'; // 回溯，尝试其他位置}}
}
bool isValid(int row, int col, vector<string>& chessboard, int n) {// 检查列for (int i = 0; i < row; i++) { // 检查列是否有皇后if (chessboard[i][col] == 'Q') {return false;}}// 检查 45度角是否有皇后for (int i = row - 1, j = col - 1; i >= 0 && j >= 0; i--, j--) {if (chessboard[i][j] == 'Q') { // 检查左上方是否有皇后return false;}}// 检查 135度角是否有皇后for(int i = row - 1, j = col + 1; i >= 0 && j < n; i--, j++) {if (chessboard[i][j] == 'Q') { // 检查右上方是否有皇后return false;}}return true; // 该位置可以放置皇后
}public:int totalNQueens(int n) {std::vector<std::string> chessboard(n, std::string(n, '.')); // 初始化棋盘backtracking(n, 0, chessboard); // 回溯搜索解空间return count; // 返回解的个数}
};

2分割回文串 II

给你一个字符串 s，请你将 s 分割成一些子串，使每个子串都是

回文串

。

返回符合要求的 最少分割次数 。

示例 1：

输入：s = "aab"
输出：1
解释：只需一次分割就可将 s 分割成 ["aa","b"] 这样两个回文子串。

示例 2：

输入：s = "a"
输出：0

示例 3：

输入：s = "ab"
输出：1

提示：

• 1 <= s.length <= 2000
• s 仅由小写英文字母组成

思路：

1. 构建一个二维数组 isPalindromic，用来记录字符串 s 中每个子串是否为回文串。
2. 遍历字符串 s，填充 isPalindromic 数组，判断每个子串是否为回文串。
3. 初始化一个一维数组 dp，用来记录从第一个字符到当前位置字符所需的最小切割次数，初始值为每个位置的索引值。
4. 动态规划计算最小切割次数：
   • 如果当前位置到第一个位置的子串本身就是回文串，则该位置的最小切割次数为 0。
   • 否则，在前面的子串中找到最小切割次数，并更新当前位置所需的最小切割次数。
5. 返回 dp 数组中最后一个位置的值，即从第一个字符到最后一个字符的最小切割次数

代码：

class Solution {
public:int minCut(string s) {// 初始化一个二维数组，用来存储从位置 i 到 j 的子串是否是回文串vector<vector<bool>> isPalindromic(s.size(), vector<bool>(s.size(), false));// 填充 isPalindromic 数组for (int i = s.size() - 1; i >= 0; i--) {for (int j = i; j < s.size(); j++) {// 判断 s[i] 到 s[j] 是否是回文串if (s[i] == s[j] && (j - i <= 1 || isPalindromic[i + 1][j - 1])) {isPalindromic[i][j] = true;}}}// 初始化一个一维数组 dp，用来记录从第一个字符到第 i 个字符需要的最小切割次数vector<int> dp(s.size(), 0);for (int i = 0; i < s.size(); i++) {dp[i] = i; // 初始值设为 i}// 动态规划计算最小切割次数for (int i = 1; i < s.size(); i++) {// 如果从第一个字符到第 i 个字符是回文串，最小切割次数为 0if (isPalindromic[0][i]) {dp[i] = 0;continue;}// 在不是回文串的情况下，循环遍历前面的子串找到最小切割次数for (int j = 0; j < i; j++) {if (isPalindromic[j + 1][i]) {// 更新最小切割次数为当前位置与前一个回文串位置的切割次数加 1dp[i] = min(dp[i], dp[j] + 1);}}}return dp[s.size() - 1]; // 返回从第一个字符到最后一个字符的最小切割次数}
};

3最长递增子序列的个数

给定一个未排序的整数数组 nums ， 返回最长递增子序列的个数 。

注意 这个数列必须是 严格 递增的。

示例 1:

输入: [1,3,5,4,7]
输出: 2
解释: 有两个最长递增子序列，分别是 [1, 3, 4, 7] 和[1, 3, 5, 7]。

示例 2:

输入: [2,2,2,2,2]
输出: 5
解释: 最长递增子序列的长度是1，并且存在5个子序列的长度为1，因此输出5。

提示: 

• 1 <= nums.length <= 2000
• -106 <= nums[i] <= 106

思路：

1. 定义状态： 定义两个数组 dp 和 count，其中 dp[i] 表示以第 i 个元素结尾的最长递增子序列的长度，count[i] 表示以第 i 个元素结尾的最长递增子序列的个数。

2. 状态转移方程： 对于每个元素 nums[i]，遍历其之前的元素 nums[j]（其中 j < i），如果 nums[i] > nums[j]，则：

   • 如果 dp[j] + 1 > dp[i]，则更新 dp[i] = dp[j] + 1，并且 count[i] 更新为之前的 count[j]。
   • 如果 dp[j] + 1 == dp[i]，则累加 count[i] += count[j]。

3. 计算最终结果： 找到最长递增子序列的长度 maxCount，然后遍历 dp 数组，将所有长度为 maxCount 的递增子序列的个数相加，得到最终的结果。

代码：

class Solution {
public:int findNumberOfLIS(vector<int>& nums) {// 如果数组长度小于等于1，直接返回数组长度if (nums.size() <= 1) return nums.size();// 初始化动态规划数组 dp 和计数数组 countvector<int> dp(nums.size(), 1); // dp[i] 表示以第 i 个元素结尾的最长递增子序列的长度vector<int> count(nums.size(), 1); // count[i] 表示以第 i 个元素结尾的最长递增子序列的个数int maxCount = 0; // 用于记录最长递增子序列的长度// 遍历数组进行动态规划for (int i = 1; i < nums.size(); i++) {for (int j = 0; j < i; j++) {if (nums[i] > nums[j]) {// 更新 dp 和 countif (dp[j] + 1 > dp[i]) { // 如果能取得更长的递增子序列dp[i] = dp[j] + 1;count[i] = count[j]; // 更新计数为之前的 count[j]} else if (dp[j] + 1 == dp[i]) {// 如果有相同长度的递增子序列出现，累加计数count[i] += count[j];}}// 更新最长递增子序列的长度if (dp[i] > maxCount) maxCount = dp[i];}}int result = 0; // 最终结果// 统计最长递增子序列的个数for (int i = 0; i < nums.size(); i++) {if (maxCount == dp[i]) result += count[i];}return result;}
};