LeetCode算法题-Robot Return to Origin(Java实现)

本文介绍LeetCode算法题中Easy级别的第149题,判断2D平面上从(0,0)开始的机器人完成移动序列后是否回到原点。给出两种解法,一是记录各方向步数判断两两是否相等,二是简化为用两个临时变量相抵后判断是否为0。解题使用Java语言。

这是悦乐书的第281次更新,第298篇原创

01 看题和准备

今天介绍的是LeetCode算法题中Easy级别的第149题(顺位题号是657)。在2D平面上有一个从位置(0,0)开始的机器人。给定其移动序列,判断该机器人在完成移动后是否在(0,0)处结束。移动序列由字符串表示,字符move [i]表示其第i个移动。有效移动是R(右),L(左),U(上)和D(下)。如果机器人在完成所有移动后返回原点,则返回true。否则,返回false。

注意:机器人的“朝向”无关紧要。 “R”将始终使机器人向右移动一次,“L”将始终向左移动一次等。此外,假设每次移动机器人的移动幅度相同。

例如:

输入:“UD”

输出:true

说明:机器人向上移动一次,然后向下移动一次。所有动作都具有相同的幅度,因此它最终位于它开始的原点。因此,我们返回true。

输入:“LL”

输出:false

说明:机器人向左移动两次。它最终在原点的左边有两个“moves”。我们返回false,因为它在移动结束时不在原点。

本次解题使用的开发工具是eclipse,jdk使用的版本是1.8,环境是win7 64位系统,使用Java语言编写和测试。

02 第一种解法

题目的意思是根据给的移动步数,判断机器人在移动完后是否还在原地。要想始终在原地,即向左和向右的步数相等,并且向上和向下的步数也要相等。因此,我们直接使用记数,将向左、向右、向上、向下的步数都记录下来,然后判断两两是否相等即可。

public boolean judgeCircle(String moves) {
    if (moves.length()%2 != 0) {
        return false;
    }
    int L = 0;
    int R = 0;
    int U = 0;
    int D = 0;
    for (int i=0; i<moves.length(); i++) {
        if ("L".equals(moves.charAt(i)+"")) {
            L++;
        } else if ("R".equals(moves.charAt(i)+"")) {
            R++;
        } else if ("U".equals(moves.charAt(i)+"")) {
            U++;
        } else if ("D".equals(moves.charAt(i)+"")) {
            D++;
        }
    }
    return L == R && U == D;
}

03 第二种解法

对上面的第一种解法,我们还可以再简化下,只使用两个临时变量,因为可以将向左和向右相抵,将向上和向下相抵,最后判断这两变量是否等于0即可。

public boolean judgeCircle(String moves) {
    if (moves.length()%2 != 0) {
        return false;
    }
    int x = 0, y = 0;
    for (char ch : moves.toCharArray()) {
        if (ch == 'L') {
            x--;
        } else if(ch == 'R'){
            x++;
        }else if(ch == 'D'){
            y++;
        } else if(ch == 'U'){
            y--;
        }
    }
    return x == 0 && y == 0;
}

04 小结

此题本质上是一个记数题,只要理解题目要表达的意思,一切都很简单。

算法专题目前已日更超过四个月,算法题文章149+篇,公众号对话框回复【数据结构与算法】、【算法】、【数据结构】中的任一关键词,获取系列文章合集。

以上就是全部内容,如果大家有什么好的解法思路、建议或者其他问题,可以下方留言交流,点赞、留言、转发就是对我最大的回报和支持!

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。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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