leetcode Intersection of Two Arrays II题解

本文介绍了一种解决数组交集问题的Java方法,通过使用HashMap记录元素频率,找出两个数组中共有的元素及其最小出现次数。

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

题目描述:

Given two arrays, write a function to compute their intersection.

Example 1:

Input: nums1 = [1,2,2,1], nums2 = [2,2]
Output: [2,2]

Example 2:

Input: nums1 = [4,9,5], nums2 = [9,4,9,8,4]
Output: [4,9]

中文理解:给定两个数组,返回两个数组中所有重复的元素。

解题思路:如果两个数组都是排序好的话,直接采用类似于有序链表合并的思路解决,不过本题数组是乱序的,所以可以先把两个数组排序,也可以使用hashmap存放每个数字出现的次数,然后得出两个hashmap重合出现的key值,然后取value最小的值,把最小出现次数的key值放入数组,最后返回。

代码(java):

class Solution {
    public int[] intersect(int[] nums1, int[] nums2) {
        HashMap<Integer,Integer> map1=new HashMap<Integer,Integer>();
        HashMap<Integer,Integer> map2=new HashMap<Integer,Integer>();
        for(int val:nums1){
            if(map1.keySet().contains(val)){
                map1.put(val,map1.get(val)+1);
            }
            else{
                map1.put(val,1);
            }
        }
        for(int val:nums2){
            if(map2.keySet().contains(val)){
                map2.put(val,map2.get(val)+1);
            }
            else{
                map2.put(val,1);
            }
        }
        Set<Integer> com=map1.keySet();
        com.retainAll(map2.keySet());
        int len=0;
        for(int val:com){
            len+=Math.min(map1.get(val),map2.get(val));
        }
        int []res=new int[len];
        int i=0;
        for(int val:com){
            int count=Math.min(map1.get(val),map2.get(val));
            while(count>0){
                res[i]=val;
                i++;
                count--;
            }
        }
        return res;
    }
}

 

内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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