Unique Binary Search Trees - Leetcode

本文介绍了计算不同结构的二叉搜索树数量的方法,通过动态规划算法找出n个节点所有可能的不同二叉搜索树的数量,并提供了两种实现方式。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

public class Solution {
    public int numTrees(int n) {
        if(n==0 || n==1)
          return 1;
          
        int[] f = new int[n+1];
        for(int i=0; i<n+1; i++){
            if(i<2)
               f[i]=1;
            else{
                int val=0;
                for(int j=0; j<i;j++){
                    val += f[j]*f[i-1-j];
                }
                f[i]=val;
            }
        }
        return f[n];
    }
}

写法2:

public class Solution {
    public int numTrees(int n) {
        if(n==0 || n==1)
          return 1;
          
        int[] f = new int[n+1];
        int val;
        
        f[0]=1; f[1]=1;
        for(int i=2; i<n+1; i++){
            val = 0;
            for(int k=0; k<i; k++)
              val += f[k]*f[i-1-k];
            f[i] = val; 
        }
        return f[n];
    }
}

分析:找规律 -

没有节点的时候是f(0)=1,

一个节点的时候 f(1)=1, 

2个节点的时候【0+1; 1+0】f(2)=f(0)*f(1)+f(1)*f(0)

3个节点的时候f(3)= f(0)*f(2)+f(1)*f(1)+f(2)*f(0)

N个节点f(n)=f(0)*f(n-1)+ f(1)*f(n-2) +..... f(n-1)*f(0)

Given n, how many structurally unique BST's (binary search trees) that store values 1...n?

For example,
Given n = 3, there are a total of 5 unique BST's.

   1         3     3      2      1
    \       /     /      / \      \
     3     2     1      1   3      2
    /     /       \                 \
   2     1         2                 3

内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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