313. Super Ugly Number

本文介绍了一种算法,用于找到给定一系列质数下的第N个超丑数。超丑数是所有质因数都在给定质数列表中的正整数。文章通过实例详细解释了算法的实现过程,并提供了一个Java类解决方案。

Write a program to find the nth super ugly number.

Super ugly numbers are positive numbers whose all prime factors are in the given prime list primes of size k.

Example:

Input: n = 12, primes = [2,7,13,19]
Output: 32 
Explanation: [1,2,4,7,8,13,14,16,19,26,28,32] is the sequence of the first 12 
             super ugly numbers given primes = [2,7,13,19] of size 4.
Note:

1 is a super ugly number for any given primes.
The given numbers in primes are in ascending order.
0 < k ≤ 100, 0 < n ≤ 106, 0 < primes[i] < 1000.
The nth super ugly number is guaranteed to fit in a 32-bit signed integer.

来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/super-ugly-number
著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。

与264. Ugly Number II类似,维护一个丑数的答案队列,每个基数,都用一个数字来记录,它的上一个位置。

以 n = 12, primes = [2,7,13,19]为例子。

①ans初始化为1,record为{0,0,0,0}

②ans对应record中的位置数字,即ans(0),ans(0),ans(0),ans(0)都乘以各自数字,得到2,7,13,19,拿到最小的,即2,更新位置

此时ans={1,2}, record={1,0,0,0}

③ans(1),ans(0),ans(0),ans(0)都乘以各自数字,得到4,7,13,19,取4,更新record对应的值

此时ans={1,2,4}, record={2,0,0,0}

④ans(2),ans(0),ans(0),ans(0)都乘以各自数字,得到8,7,13,19,取7,更新record对应的值

此时ans={1,2,4,7}, record={2,1,0,0}

⑤ans(2),ans(1),ans(0),ans(0)都乘以各自数字,得到8,14,13,19,取8,更新record对应的值

此时ans={1,2,4,7,8}, record={3,1,0,0}

⑥ans(3),ans(1),ans(0),ans(0)都乘以各自数字,得到14,14,13,19,取13,更新record对应的值

此时ans={1,2,4,7,8,13}, record={3,1,1,0}

⑥ans(3),ans(1),ans(1),ans(0)都乘以各自数字,得到14,14,26,19,取14,更新record对应的值,注意这里有两个都是14,那么两个都更新

此时ans={1,2,4,7,8,13,14}, record={4,2,1,0}

。。。。

 

class Solution {
    List<Integer> ans = new ArrayList<>();
    public int nthSuperUglyNumber(int n, int[] primes) {
        if (n == 1) {
            return 1;
        }
        //record记录该数字,它上一个最小乘子的位置。
        int []record = new int[primes.length];
        ans.add(1);
        n--;
        while (n != 0) {

            int []result = new int[record.length];
            int min = Integer.MAX_VALUE;
            for (int i = 0; i < record.length; i++) {
                result[i] = ans.get(record[i]) * primes[i];
                if (min > result[i]) {
                    min = result[i];
                }
            }

            for (int i = 0; i < record.length; i++) {
                if (result[i] == min) {
                    record[i]++;
                }
            }
            ans.add(min);
            n--;
        }
        return ans.get(ans.size() - 1);
    }
}

 

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
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