LeetCode 0062 -- 不同路径

本文探讨了一个机器人在mxn网格中从左上角到右下角的不同路径计算问题,提供了两种解决方案,一种使用二维动态规划,另一种优化为一维动态规划,减少了空间复杂度。

不同路径

题目描述

一个机器人位于一个 m x n 网格的左上角 (起始点在下图中标记为“Start” )。

机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角(在下图中标记为“Finish”)。

问总共有多少条不同的路径?

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Fp5CcFTK-1573644941459)(assets/robot_maze.png)]

例如,上图是一个7 x 3 的网格。有多少可能的路径?

**说明:**mn 的值均不超过 100。

示例 1:

输入: m = 3, n = 2
输出: 3
解释:
从左上角开始,总共有 3 条路径可以到达右下角。
1. 向右 -> 向右 -> 向下
2. 向右 -> 向下 -> 向右
3. 向下 -> 向右 -> 向右

示例 2:

输入: m = 7, n = 3
输出: 28

解题思路

个人AC

class Solution {
    public int uniquePaths(int m, int n) {
        int[][] dp = new int[m][n]; // 到达第i行第j列可能的路径
        dp[0][0] = 1;
        // 因为只能向左走(不能向右,即回退),所以第一行都为1
        for (int j = 1; j < n; j++) {
            dp[0][j] = 1;
        }
        // 因为只能向下走(不能向上,即回退),所以第一列都为1
        for (int i = 1; i < m; i++) {
            dp[i][0] = 1;
        }

        for (int i = 1; i < m; i++) {
            for (int j = 1; j < n; j++) {
                // 到达第i行第j列可能的路径为从上方往下的路径 + 从左方往右的路径
                dp[i][j] = dp[i - 1][j] + dp[i][j - 1];
            }
        }
        return dp[m - 1][n - 1];
    }
}

时间复杂度: O ( m ∗ n ) O(m*n) O(mn)

空间复杂度: O ( m ∗ n ) O(m*n) O(mn)

class Solution {
    public int uniquePaths(int m, int n) {
        int[] cur = new int[n]; // 存储当前行的值
        Arrays.fill(cur, 1);
        for (int i = 1; i < m; i++) {
            for (int j = 1; j < n; j++) {
                // cur[j-1]为左方的值
                // cur[j]为上方的值
                // cur[j] = cur[j] + cur[j - 1]为当前值
                cur[j] += cur[j - 1];
            }
        }
        return cur[n - 1];
    }
}

时间复杂度: O ( m ∗ n ) O(m*n) O(mn)

空间复杂度: O ( n ) O(n) O(n)

最优解

同上。

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论 1
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