广度优先:课程表

题源力扣,仅作记录
https://leetcode-cn.com/problems/course-schedule
题解参考自题解参考

选修 numCourse 门课程,记为 0 到 numCourse-1 。课程0的前修课程1,记为[0,1]。
给定课程总量以及它们的先决条件,判断是否可能完成所有课程的学习?
def canFinish(self, numCourses, prerequisites):
“”"
:type numCourses: int
:type prerequisites: List[List[int]]
:rtype: bool
“”"

解题思路

用数组 [ int ] 记录课程为 index 的前修课程数,初始化为0

before = [0 for _ in range(numCourses)]

用嵌套数组 [[ int ]] 记录课程为 index 的后续课程,初始化为空

after = [[] for _ in range(numCourses)]

根据 prerequisites 里的内容重置 before 和 after

for cla, bef in prerequisites:
	before[cla] += 1
	after[bef].append(cla)

queue 用于放置前修课程数为 0 的课程队列

queue = [] # 放前修课程数为0的课
for cla in range(numCourses):
	if before[cla] == 0: # 无前修课程
	queue.append(cla)

循环取出队列中的课程直至queue为空,每取出一门课,待修课程数numCourses - 1,其后续课程 after[[ ]] 相应的前修课程数 before[ ] - 1,如果得到的before[ ] = 0 ,该门课进入queue,循环继续

while queue:
	# 修完一门前修课程数为0的课
	cla = queue.pop(0) 
	numCourses -= 1 
	# 该门课的后续课程的前修课程数-1
	for after_cla in after[cla]:
		before[after_cla] -= 1
		if before[after_cla] == 0:
			queue.append(after_cla)

如果 numCourses = 0,则所有课程修完,返回真。

return numCourses == 0

完整代码

def canFinish(self, numCourses, prerequisites):
	"""
    :type numCourses: int
	:type prerequisites: List[List[int]]
	:rtype: bool
	"""
	# 第 index 门课的前修课程数,初始为0
	before = [0 for _ in range(numCourses)]
	# 修完第 index 门课后可修的课程集合,初始为空[]
	after = [[] for _ in range(numCourses)]

	for cla, bef in prerequisites:
		before[cla] += 1
		after[bef].append(cla)

    queue = [] # 放前修课程数为0的课

	for cla in range(numCourses):
		if before[cla] == 0: # 无前修课程
			queue.append(cla)

	while queue:
		# 修完一门前修课程数为0的课
		cla = queue.pop(0) 
		numCourses -= 1 
		# 该门课的后续课程的前修课程数-1
		for after_cla in after[cla]:
			before[after_cla] -= 1
			if before[after_cla] == 0:
				queue.append(after_cla)

	return numCourses == 0
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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