LeetCode算法问题18 —— Ones and Zeroes

动态规划求字符串组合
本文介绍了一种利用动态规划解决特定字符串组合问题的方法。给定一个字符串数组及一定数量的0和1,算法求出能构成的最大字符串数量。通过三维数组记录每一步的状态,最终得出最优解。

看一下问题描述

这里写图片描述

题目给定一个字符串数组,求出由m个0和n个1能够构成字符串数组中字符串的最大数量

我采用了一种动态规划的方法解决本题,对于函数
int findMaxForm(vector& strs, int m, int n)

首先创建了一个三维数组

这里写图片描述

对于数组元素dp[k][m0][n0]表示:还有m0个0和n0个1可用时,对于前k个字符串集合所可以组成的最大字符串个数,这样我们就可以首先确定我们返回的目标,即
dp[strs.size()][m][n]
表示的数当还有m个0,n个1可用时,对于前strs.size()个字符串集合(即给定的字符串数组),可以组成的最大字符串个数。

对于状态dp[i]与dp[i-1],区别在于多了字符串strs[i],因此我们首先要获取字符串strs[i]中0和1的个数

这里写图片描述

在此基础上,对于状态dp[i + 1][m0][n0] (i起始为0,因此要+1),可能会出现两种情况:

  1. m0个0和n0个1不足以构造要加入的字符串strs[i],此时的值应与dp[i][m0][n0]状态相同

    这里写图片描述

  2. m0个0和n0个1可以构造要加入的字符串strs[i],此时可以选择构造它(状态为dp[i][m0-count_zeroes][n0-count_ones]),或者放弃它,取两者最大值即可
    这里写图片描述

由此可以解决本问题。时间复杂度为n³。

具体代码如下:

int findMaxForm(vector<string>& strs, int m, int n) {
    // m for 0, n for 1
    if(m == 0 && n == 0)
        return 0;

    // dp[k][m0][n0]: 还有m0个0和n0个1可用时
    // 对于前k个字符串集合所可以组成的最大字符串个数 
    int dp[strs.size() + 1][m + 1][n + 1];

    // 初始化dp数组 
    for (int i = 0; i <= strs.size(); i++)
        for (int j = 0; j <= m; j++)
            for (int k = 0; k <= n; k++)
                dp[i][j][k] = 0;

    for (int i = 0; i < strs.size(); i++) {
        string current_str = strs[i];
        int count_zeroes = 0, count_ones = 0;
        // 计算当前遍历到的数组中1和0的个数 
        for (int j = 0; j < current_str.size(); j++)
            if (current_str[j] == '1')
                count_ones++;
            else
                count_zeroes++;

        for (int m0 = 1; m0 <= m; m0++) {
            for (int n0 = 1; n0 <= n; n0++) {
                // 当前字符串无法通过现有的m0个0和n0个1构造
                // 因此使用m0个0和n0个1构造前i+1个字符串的最大个数
                // 应与前i个字符串的相同 
                if (count_zeroes > m0 || count_ones > n0) {
                    dp[i + 1][m0][n0] = dp[i][m0][n0];
                } else {
                    // 可以构造,此时有两种选择:跳过这个字符串,或者构造这个字符串
                    dp[i + 1][m0][n0] = max(dp[i][m0][n0], 1 + dp[i][m0 - count_zeroes][n0 - count_ones]);
                }
            }
        }
    }

    return dp[strs.size()][m][n]; 
}
### 关于机器学习练习题和题库 #### 一、机器学习基础练习题 在机器学习领域,有许多经典的练习题可以帮助初学者巩固基础知识。例如,在吴恩达的《机器学习》课程中,提供了大量的实践项目来帮助学生理解理论并将其应用于实际问题[^2]。这些练习通常涉及线性回归、逻辑回归以及神经网络等内容。 下面是一个基于Python实现的简单线性回归例子: ```python import numpy as np from matplotlib import pyplot as plt # 导入数据 data = np.loadtxt('ex1data1.txt', delimiter=',') m = data.shape[0] X = data[:, 0].reshape(m, 1) Y = data[:, 1].reshape(m, 1) # 添加偏置项 ones = np.ones([m, 1]) X = np.hstack((ones, X)) # 初始化参数 theta = np.zeros([2, 1]) # 定义代价函数 def compute_cost(X, Y, theta): predictions = X @ theta errors = (predictions - Y)**2 J = 1 / (2 * m) * sum(errors) return J # 梯度下降更新规则 alpha = 0.01 iterations = 1500 for i in range(iterations): hypothesis = X.dot(theta) loss = hypothesis - Y gradient = X.T.dot(loss) / m theta -= alpha * gradient print("最终拟合得到的θ:", theta.ravel()) ``` 此代码展示了如何通过梯度下降方法求解线性回归中的最优参数。 #### 二、深度学习框架下的练习题 除了传统的机器学习算法外,还有许多关于深度学习方面的练习题可供选择。比如卷积神经网络(CNN),其广泛用于图像分类任务。如果我们将一张完全白色的图片作为输入到已经针对ImageNet数据集预训练好的CNN模型,则由于该白色图像缺乏有意义的信息区分不同类别对象,因此理论上讲每类别的预测概率应该接近均匀分布[^1]。然而实际上这取决于具体实现细节如权重初始化方式等因素影响。 另外一种重要的深度架构叫做受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)[^3]。这是一种无监督的学习算法,能够自动提取原始数据中的潜在特征表示,并常被用来构建更复杂的深层结构——即所谓的深信网络(DBN)的一部分。当单独使用RBM完成初步特征转换后再配合简单的线性分类器时也能取得不错的表现效果。 #### 三、推荐资源与平台 对于寻找全面覆盖各类知识点且难度适中的高质量题目集合来说,“LeetCode”虽然主要面向编程能力测试但也包含了部分AI方向挑战;而Kaggle竞赛则是另一个不可忽视的好去处因为它不仅提供真实世界场景下待解决的数据科学难题还允许参赛者提交解决方案与其他高手竞技交流心得体验实战乐趣无穷尽也! ---
评论
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