LeetCode算法题-Number of Lines To Write String(Java实现)

本文解析了LeetCode中编号为188的Easy级别算法题,题目要求计算给定字符串在特定宽度限制下的行数及最后一行的宽度。通过遍历字符串并累加字符宽度,实现了对字符串布局的有效计算。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这是悦乐书的第319次更新,第340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188题(顺位题号是806)。我们要将给定字符串S的字母从左到右写成行。每行最大宽度为100个单位,如果写一个字母会导致该行的宽度超过100个单位,则会写入下一行。给出一个数组宽度,一个数组,其中widths[0]是’a’的宽度,widths[1]是’b’的宽度,widths[25]是’z’的宽度。

现在回答两个问题:S中至少有一个字符有多少行,最后一行使用的宽度是多少?将答案作为长度为2的整数数组返回。例如:

输入:widths = [10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10 ,10,10]

S =“abcdefghijklmnopqrstuvwxyz”

输出:[3,60]

说明:所有字母都有相同的长度10.要写出所有26个字母,我们需要两条完整的线和一条60个宽度的线。


输入:widths = [4,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10 ,10,10]

S =“bbbcccdddaaa”

输出:[2,4]

说明:除“a”之外的所有字母都具有10的相同长度,并且“bbbcccdddaa”将涵盖9 x 10 + 2 x 4 = 98个单位。对于最后一个’a’,它写在第二行,因为第一行只剩下2个单位。所以答案是2行,第二行加4个单位。


注意

  • S的长度将在[1,1000]的范围内。

  • S只包含小写字母。

  • widths是一个长度为26的数组。

  • widths[i]将在[2,10]的范围内。

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 解题

根据题目的说明和给出的示例,如果一行上字符长度超过100,就需要换行,并且需要去判断最后一次加的那个字符,是否正好让长度变成100换行,还是超过了100,需要去判断一次。

第一步,初始化。声明两个局部变量,count为行数,初始值为1,sum为最后一行使用的宽度。

第二步,循环。将S变为字符数组,遍历字符,对每个字符在widths中的宽度进行累加,赋值给sum。如果sum大于100,说明最后加的字符使整体宽度超过了100,此时需要换行了,count加1,sum重新赋值为当前字符的宽度。

第三步,返回结果。以count、sum作为数组(长度为2)元素返回。

public int[] numberOfLines(int[] widths, String S) {
    int sum = 0, count = 1;
    for (char ch : S.toCharArray()) {
        sum += widths[ch-'a'];
        if (sum > 100) {
            sum = widths[ch-'a'];
            count++;
        } 
    }
    return new int[]{count, sum};
}

03 小结

算法专题目前已日更超过五个月,算法题文章188+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:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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