代码随想录算法训练营Day29|LeetCode491递增子序列、LeetCode46全排列、LeetCode47全排列II(补卡)

本文详细介绍了LeetCode中的两个问题,递增子序列和全排列的解决方案,使用了回溯算法进行求解,并讨论了时间复杂度和空间复杂度。

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

回溯算法part05
LeetCode491递增子序列

class Solution {
private:
    vector<vector<int>> result;
    vector<int> path;
    void backtracking(vector<int>& nums, int startIndex) {
        if (path.size() > 1) {
            result.push_back(path);
        }
        int used[201] = {0}; // 这里使用数组来进行去重操作,题目说数值范围[-100, 100]
        for (int i = startIndex; i < nums.size(); i++) {
            if ((!path.empty() && nums[i] < path.back())
                    || used[nums[i] + 100] == 1) {
                    continue;
            }
            used[nums[i] + 100] = 1; // 记录这个元素在本层用过了,本层后面不能再用了
            path.push_back(nums[i]);
            backtracking(nums, i + 1);
            path.pop_back();
        }
    }
public:
    vector<vector<int>> findSubsequences(vector<int>& nums) {
        result.clear();
        path.clear();
        backtracking(nums, 0);
        return result;
    }
};

LeetCode46全排列

class Solution {
public:
    vector<vector<int>> result;
    vector<int> path;
    void backtracking (vector<int>& nums, vector<bool>& used) {
        // 此时说明找到了一组
        if (path.size() == nums.size()) {
            result.push_back(path);
            return;
        }
        for (int i = 0; i < nums.size(); i++) {
            if (used[i] == true) continue; // path里已经收录的元素,直接跳过
            used[i] = true;
            path.push_back(nums[i]);
            backtracking(nums, used);
            path.pop_back();
            used[i] = false;
        }
    }
    vector<vector<int>> permute(vector<int>& nums) {
        result.clear();
        path.clear();
        vector<bool> used(nums.size(), false);
        backtracking(nums, used);
        return result;
    }
};

LeetCode47全排列II

class Solution {
private:
    vector<vector<int>> result;
    vector<int> path;
    void backtracking (vector<int>& nums, vector<bool>& used) {
        // 此时说明找到了一组
        if (path.size() == nums.size()) {
            result.push_back(path);
            return;
        }
        for (int i = 0; i < nums.size(); i++) {
            // used[i - 1] == true,说明同一树枝nums[i - 1]使用过
            // used[i - 1] == false,说明同一树层nums[i - 1]使用过
            // 如果同一树层nums[i - 1]使用过则直接跳过
            if (i > 0 && nums[i] == nums[i - 1] && used[i - 1] == false) {
                continue;
            }
            if (used[i] == false) {
                used[i] = true;
                path.push_back(nums[i]);
                backtracking(nums, used);
                path.pop_back();
                used[i] = false;
            }
        }
    }
public:
    vector<vector<int>> permuteUnique(vector<int>& nums) {
        result.clear();
        path.clear();
        sort(nums.begin(), nums.end()); // 排序
        vector<bool> used(nums.size(), false);
        backtracking(nums, used);
        return result;
    }
};

// 时间复杂度: 最差情况所有元素都是唯一的。复杂度和全排列1都是 O(n! * n) 对于 n 个元素一共有 n! 中排列方案。而对于每一个答案,我们需要 O(n) 去复制最终放到 result 数组
// 空间复杂度: O(n) 回溯树的深度取决于我们有多少个元素
### 智能车丢线的定义 在智能车比赛中,“丢线”是指智能车未能成功检测到赛道上的引导线(通常是黑色线条),导致其偏离预定路径甚至完全脱离赛道的情况。这种情况可能发生在边界扫描过程中,当算法无法找到赛道左右边界的黑白交界处或者计算出错误的中线位置时[^1]。 ### 智能车丢线的原因分析 #### 1. 图像处理误差 图像预处理阶段可能出现问题,例如二值化阈值选取不当可能导致部分赛道边缘被误判为背景颜色,从而使边界识别失败。此外,在光照条件不稳定的情况下,摄像头捕捉到的画面可能会受到干扰,进而影响后续的边界提取过程[^3]。 #### 2. 边界特征不明显 如果赛道的设计存在缺陷,比如某些区域的黑白色差不够显著,则即使采用合适的图像处理方法也难以准确定位边界。此时尝试直接寻找赛道中心变得困难重重,因为缺乏足够的视觉线索来区分道路两侧[^1]。 #### 3. PID控制器参数调整不合理 假设已经正确获取了当前帧内的实际中线坐标并与理想位置进行了比较得出偏差量,但如果PID调节器的比例(P),积分(I)微分(D)三个系数未经过良好调校的话,也可能造成车辆反应过度或不足最终离开既定轨迹。具体来说: - **P过大**: 对任何小扰动都会有过激响应,容易引起振荡; - **I累积过多**: 当长时间存在固定方向偏移时积累项会让输出持续增大直至饱和,反而加剧跑偏现象; - **D过敏感**: 过度关注快速变化的趋势有可能放大噪声的影响而不是抑制它[^1]。 #### 4. 外部因素干扰 除了上述内部逻辑方面的问题外,外部环境同样会对系统的稳定性构成威胁。例如强烈的阳光直射、阴影遮挡或者其他光源反射都可能改变原始画面的颜色分布;另外物理层面诸如轮胎打滑、地面摩擦力减小等情况也会间接促使丢线事件发生[^2]。 ```python def calculate_pid(error, prev_error, integral, kp=0.5, ki=0.1, kd=0.2): """ 计算基于误差输入的标准PID控制律 参数: error (float): 实际测量值与目标设定值之间的差异. prev_error (float): 上一次采样周期中的误差记录. integral (float): 积累下来的总误差历史数据. kp (float): 比例增益,默认设为0.5. ki (float): 积分增益,默认设为0.1. kd (float): 微分增益,默认设为0.2. 返回: float: 综合考虑比例、积分和微分效应后的控制信号强度. """ proportional = kp * error integral += error derivative = kd * (error - prev_error) output = proportional + ki * integral + derivative return output, error, integral ``` 此函数展示了如何利用简单的Python脚本实现基本形式下的连续时间型PID运算机制,其中包含了必要的几个组成部分——比例环节(proportional term),积分环节(integral term)以及导数环节(derivative term)[^1]。 ### 总结 综上所述,智能车“丢线”的主要成因可以归纳为以下几个方面:一是由于图像质量下降引起的边界定位失误;二是控制系统本身存在的局限性所致的行为异常;三是外界不可控变量所带来的额外挑战。针对这些问题可以从优化算法流程、合理配置软硬件资源等方面入手加以改善。 问题
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

打赏作者

[](){};

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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