【摩尔投票】169.多数元素

本文介绍了一种使用Java编写的算法,名为`majorityElement`,用于在给定整数数组中找到出现次数超过数组一半的元素。通过摩尔投票法简化了代码实现。

题目

法1:摩尔投票

相同题目:剑指:过半元素

Python

class Solution:
    def majorityElement(self, nums: List[int]) -> int:
        if len(nums) == 1:
            return nums[0]
        vote = 1
        res = nums[0]
        n = len(nums)
        for i in range(1, n):
            if nums[i] == res:
                vote += 1
            else:
                vote -= 1
                if vote == 0:
                    res = nums[i]
                    vote = 1
        
        return res

Java

class Solution {
    public int majorityElement(int[] nums) {
        if (nums.length == 1) {
            return nums[0];
        }
        int vote = 1, res = nums[0];
        for (int i = 1; i < nums.length; ++i) {
            if (nums[i] == res) {
                ++vote;
            } else {
                --vote;
                if (vote == 0) {
                    res = nums[i];
                    vote = 1;
                }
            }
        }
        return res;
    }
}

// 简化代码
class Solution {
    public int majorityElement(int[] nums) {
        int vote = 0, res = 0;
        for (int i = 0; i < nums.length; ++i) {
            res = vote == 0 ? nums[i] : res;
            vote += res == nums[i] ? 1 : -1;
        }
        return res;
    }
}
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
### 分治法C++解法 ```cpp #include <vector> using namespace std; class Solution { public: // 分治法求多数元素 int majorityElement(vector<int>& nums) { return majorityElementRec(nums, 0, nums.size() - 1); } int majorityElementRec(vector<int>& nums, int lo, int hi) { // 当子数组只有一个元素时,该元素就是多数元素 if (lo == hi) { return nums[lo]; } // 分割数组 int mid = (hi - lo) / 2 + lo; int left = majorityElementRec(nums, lo, mid); int right = majorityElementRec(nums, mid + 1, hi); // 如果左右子数组的多数元素相同,直接返回 if (left == right) { return left; } // 否则,计算左右多数元素在整个子数组中出现的次数 int leftCount = countInRange(nums, left, lo, hi); int rightCount = countInRange(nums, right, lo, hi); // 返回出现次数多的元素 return leftCount > rightCount ? left : right; } // 计算元素target在数组nums的[lo, hi]范围内出现的次数 int countInRange(vector<int>& nums, int target, int lo, int hi) { int count = 0; for (int i = lo; i <= hi; i++) { if (nums[i] == target) { count++; } } return count; } }; ``` ### 分析与总结 #### 分治法思路 分治法的核心思想是将一个大问题分解为多个相似的小问题,然后递归地解决这些小问题,最后将小问题的解合并得到大问题的解。对于多数元素问题,将数组不断二分,分别求出左右子数组的多数元素,然后合并得到整个数组的多数元素。 #### 复杂度分析 - **时间复杂度**:$O(n log n)$。每次将数组二分,递归树的深度为$log n$,每层需要遍历$O(n)$个元素来统计元素出现的次数,所以总的时间复杂度为$O(n log n)$。 - **空间复杂度**:$O(log n)$。递归调用栈的深度为$log n$,所以空间复杂度为$O(log n)$。 #### 优点与缺点 - **优点**:分治法的思路清晰,代码结构简洁,易于理解和实现。 - **缺点**:时间复杂度较高,相比于摩尔投票法(时间复杂度$O(n)$),分治法的效率较低。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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