628. Maximum Product of Three Numbers

题目来源【Leetcode

Given an integer array, find three numbers whose product is maximum and output the maximum product.

Example 1:
Input: [1,2,3]
Output: 6
Example 2:
Input: [1,2,3,4]
Output: 24

Note:
The length of the given array will be in range [3,104] and all elements are in the range [-1000, 1000].
Multiplication of any three numbers in the input won’t exceed the range of 32-bit signed integer.

这道题主要是注意有负数的情况,先排序,然后如果头两个都是负数,就比较最后三个的积与前两个负数和最后一个数的积,不是的话就直接最后三个数的积最大

class Solution {
public:
    int maximumProduct(vector<int>& nums) {
        sort(nums.begin(),nums.end());
        int s = nums.size();
        if(nums[0] < 0 && nums[1] < 0) 
        return max(nums[0]*nums[1]*nums[s-1],nums[s-1]*nums[s-2]*nums[s-3]);
        else return  nums[s-1]*nums[s-2]*nums[s-3];

    }
};
内容概要:本文介绍了一个基于冠豪猪优化算法(CPO)的无人机三维路径规划项目,利用Python实现了在复杂三维环境中为无人机规划安全、高效、低能耗飞行路径的完整解决方案。项目涵盖空间环境建模、无人机动力学约束、路径编码、多目标代价函数设计以及CPO算法的核心实现。通过体素网格建模、动态障碍物处理、路径平滑技术和多约束融合机制,系统能够在高维、密集障碍环境下快速搜索出满足飞行可行性、安全性与能效最优的路径,并支持在线重规划以适应动态环境变化。文中还提供了关键模块的代码示例,包括环境建模、路径评估和CPO优化流程。; 适合人群:具备一定Python编程基础和优化算法基础知识,从事无人机、智能机器人、路径规划或智能优化算法研究的相关科研人员与工程技术人员,尤其适合研究生及有一定工作经验的研发工程师。; 使用场景及目标:①应用于复杂三维环境下的无人机自主导航与避障;②研究智能优化算法(如CPO)在路径规划中的实际部署与性能优化;③实现多目标(路径最短、能耗最低、安全性最高)耦合条件下的工程化路径求解;④构建可扩展的智能无人系统决策框架。; 阅读建议:建议结合文中模型架构与代码示例进行实践运行,重点关注目标函数设计、CPO算法改进策略与约束处理机制,宜在仿真环境中测试不同场景以深入理解算法行为与系统鲁棒性。
### 使用 `np.maximum` 的方法及其示例 `np.maximum` 是 NumPy 庳库中的一个函数,用于逐元素比较两个数组并返回较大值。如果输入的是标量,则会将其广播到与另一个数组相同的形状。 以下是关于 `np.maximum` 的详细介绍以及一些实际使用的例子: #### 基本语法 ```python numpy.maximum(x1, x2, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature, extobj]) ``` - **参数说明**: - `x1`, `x2`: 输入的两个数组或标量。 - `/`: 表明位置参数结束的位置(Python 3.8 及以上版本支持)。 - `out`: 存储结果的 ndarray 或元组。 - `where`: 条件布尔掩码,指定哪些位置执行操作[^5]。 #### 示例代码 ##### 示例 1: 比较两个标量 ```python import numpy as np a = 5 b = 7 result = np.maximum(a, b) print(f"The larger value is {result}") ``` 此代码片段将打印较大的数值 `7`。 ##### 示例 2: 对一维数组应用最大值计算 ```python array1 = np.array([1, 3, 5]) array2 = np.array([2, 2, 6]) max_array = np.maximum(array1, array2) print(max_array) # 输出 [2 3 6] ``` 这里展示了如何对两个相同大小的一维数组进行逐元素的最大值运算[^5]。 ##### 示例 3: 广播机制下的最大值计算 当其中一个输入是一个标量时,NumPy 将自动扩展它以匹配另一方的维度。 ```python scalar_value = 4 vector = np.array([1, 9, 3]) broadcasted_max = np.maximum(scalar_value, vector) print(broadcasted_max) # 输出 [4 9 4] ``` 上述实例中,标量 `4` 被广播至长度为三的向量 `[4, 4, 4]` 后再做逐项对比[^5]。 #### 实际应用场景 在机器学习领域,有时需要防止某些变量变得过小以至于接近零从而影响梯度下降效果;此时可以利用 `np.maximum` 设定下限阈值来规避此类风险。例如,在激活函数 Softplus 中就可能涉及类似的逻辑处理[^6]。 ```python def softplus(x): return np.log(np.exp(-np.minimum(0, x)) + np.exp(np.maximum(0, x))) test_input = np.array([-1., 0., 1.]) output = softplus(test_input) print(output) # 结果应近似于 [0.31326166 0.69314718 1.3132616 ] ```
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