84 Largest Rectangle in Histogram

本文详细介绍了解决最大矩形面积问题的多种算法优化策略,包括暴力破解法、逐个元素向两边扩散求面积的方法及最优解法,强调了算法效率的重要性并提供了代码实现。

题目链接:https://leetcode.com/problems/largest-rectangle-in-histogram/

题目:

Given n non-negative integers representing the histogram's bar height where the width of each bar is 1, 
find the area of largest rectangle in the histogram.

Largest Rectangle in Histogram1

Above is a histogram where width of each bar is 1, given height = [2,1,5,6,2,3].

Largest Rectangle in Histogram2

The largest rectangle is shown in the shaded area, which has area = 10 unit.

For example,
Given height = [2,1,5,6,2,3],
return 10.

解题思路:
最初的想法是针对每一个元素都维护一个属于它的窗口,在窗口中取高度最小的值求其面积。在求解过程中遇到一大问题就是,如何快速求解乱序数组中的最小值。解决了之后发现,该算法超时!!!
看了大神的 blog 才发现自己用的是最蠢的暴力破解法。
就是对于每一个窗口,找到其中最低的高度,然后求面积,取其中最大的矩形面积。总共有n^2个窗口,找最低高度是O(n)的操作,所以复杂度是O(n^3)。

遂参考了大神的解法:http://blog.youkuaiyun.com/linhuanmars/article/details/20524507
方法一:
1. 从每一个bar往两边走,以自己的高度为标准,直到两边低于自己的高度为止
2. 然后用自己的高度乘以两边走的宽度得到矩阵面积
因为我们对于任意一个bar都计算了以自己为目标高度的最大矩阵,所以最好的结果一定会被取到。每次往两边走的复杂度是O(n),总共有n个bar,所以时间复杂度是O(n^2)。

方法二: 重点掌握
最后我们谈谈最优的解法,思路跟 32 Longest Valid Parentheses 比较类似,我们要维护一个栈,这个栈从低向上的高度是依次递增的,如果遇到当前bar高度比栈顶元素低,那么就出栈直到满足条件,过程中检测前面满足条件的矩阵。
关键问题就在于在出栈时如何确定当前出栈元素的所对应的高度的最大范围是多少。答案跟 32 Longest Valid Parentheses 中括号的范围相似。
1. 就是如果栈已经为空,说明到目前为止所有元素(当前下标元素除外)都比出栈元素高度要大(否则栈中肯定还有元素),所以矩阵面积就是高度乘以当前下标i。
2. 如果栈不为空,那么就是从当前栈顶元素的下一个到当前下标的元素之前都比出栈元素高度大(因为栈顶元素第一个比当前出栈元素小的)。

为了更好的理解该算法,参考下面链接,这个博主画图说明了该方法,更加清楚明了。
http://blog.youkuaiyun.com/doc_sgl/article/details/11805519

注意:
做题时要多做总结,类似的题目应该归纳思路。

代码实现:

public class Solution {
    public int largestRectangleArea(int[] height) {
        if(height == null || height.length == 0)
            return 0;
        LinkedList<Integer> stack = new LinkedList();
        int local = 0;
        int global = 0;
        for(int i = 0; i < height.length; i ++) {
            while(!stack.isEmpty() && height[stack.peek()] > height[i]) {
                int j = stack.pop();
                if(!stack.isEmpty())
                    local = height[j] * (i - stack.peek() - 1);
                else
                    local = height[j] * i;
                global = Math.max(global, local);
            }
            stack.push(i);
        }
        while(!stack.isEmpty()) {
            int j = stack.pop();
            if(!stack.isEmpty())
                local = height[j] * (height.length - stack.peek() - 1);
            else
                local = height[j] * height.length;
            global = Math.max(global, local);
        }
        return global;
    }
}
94 / 94 test cases passed.
Status: Accepted
Runtime: 22 ms
内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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