LeetCode算法题-1-bit and 2-bit Characters(Java实现)

LeetCode 170题解析
本文解析了LeetCode中编号为170的Easy级别算法题,介绍了三种解法,包括直接循环匹配、优化后的循环匹配以及从后往前推导的方法,详细解释了每种方法的实现思路。

这是悦乐书的第302次更新,第321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170题(顺位题号是717)。有两个特殊字符,第一个字符可以用一个比特0表示,第二个字符可以用两个比特(10或11)表示。现在给出一个由比特位组成的数组,判断其最后一个字符是否是一位字符。数组的最后一位始终是比特0。例如:

输入:bits = [1,0,0]

输出:true

说明:解码它的唯一方法是两位字符和一位字符,所以最后一个字符是一位字符。


输入:bits = [1,1,1,0]

输出:false

说明:解码它的唯一方法是两位字符和两位字符,所以最后一个字符不是一位字符。


注意

  • 数组长度范围为[1,1000]。

  • bits[i]始终为0或1。

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

为了满足最后一位是0,前面的n-1位必须完成匹配,即前面的n-1位能够按照一位、两位合理组成。所以,我们直接使用循环,计算前面n-1位完成组合的长度,判断其是否等于n-1。因为有两种情况,遇到0的时候,一位就行,遇到1的时候,只能是两位。使用一个变量,从0开始往后累加,遇到0就加1,遇到1就加2,最后判断其是否等于n-1。

public boolean isOneBitharacter(int[] bits) {
    int len = bits.length, index = 0;
    while (index < len-1) {
       if (bits[index] == 0) {
            index++;
        } else {
            index += 2;
        } 
    }
    return index == len-1;
}

03 第二种解法

对于第一种解法,我们还可以再优化下,在循环中去掉if判断,直接加上当前元素,因为后面带了加1,遇到0还是加1,遇到1,就变成加2了,和原来的思路一样。

public boolean isOneBitharacter2(int[] bits) {
    int len = bits.length, index = 0;
    while (index < len-1) {
        index += bits[index] + 1;
    }
    return index == len-1;
}

04 第三种解法

我们也可以从后往前推导。因为数组最后一个数字始终是0,在遇到倒数第二个0时,这中间1的个数只能是偶数个或者0个。如果中间1的个数是0个,即数组最后两个元素都是0,不管其前面是1还是0,都满足条件。其二,如果中间1的个数是奇数个,并且是连着的,就不满足题目的设定了。

public boolean isOneBitharacter3(int[] bits) {
    int len = bits.length;
    int count = 0;
    for (int i = len - 2; i >= 0; i--) {
        if (bits[i] == 1) {
            count++;
        } else {
            break;
        }
    }
    return count%2 == 0;
}

05 小结

算法专题目前已日更超过五个月,算法题文章170+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:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
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