leecode 解题总结:279. Perfect Squares

本文介绍了一种使用回溯算法解决给定正整数n由最少数量的完全平方数相加组成的算法实现。通过具体的代码示例,展示了如何找到达到特定数值所需的最少平方数个数。
#include <iostream>
#include <stdio.h>
#include <vector>
#include <string>
using namespace std;
/*
问题:
Given a positive integer n, find the least number of perfect square numbers
(for example, 1, 4, 9, 16, ...) which sum to n.

For example, given n = 12, return 3 because 12 = 4 + 4 + 4; given n = 13, return 2 because 13 = 4 + 9.

分析:给定一个整数,找出该整数可以用最少几个平方数累加得到,返回最少用的个数。
贪心策略:先利用<=n的最大平方数k,然后对剩余部分n-k,继续重复上述处理;如果发现到最后
不能由平方数构成,则放弃,这个应该重新对n-k部分挑选次最大平方数尝试,。。。如果最后都不行
就将k替换成次最大平方数,重新计算。有点类似于
回溯。找到一个解就退出.不行,发现从最大开始找,找到的解不一定是最优解,则回溯需要把所有解计算出来
寻找最少的

输入:
12
13
1
输出:
3
2
1

关键:
1 回溯问题,回溯。找到一个解就退出.不行,发现从最大开始找,找到的解不一定是最优解,则回溯需要把所有解计算出来
寻找最少的
*/

class Solution {
public:
	//这样,只要n变成0,就算找到了
	void backTrace(int n , int currentTimes  , int& minTimes)
	{
		//剪枝,如果当前次数 >= 最小次数,直接不做处理
		if(currentTimes >= minTimes)
		{
			return;
		}
		//如果当前选中的平方数等于剩余数值,说明找到
		if(0 == n)
		{
			//当前需要的次数小于最少次数,则更新
			if(currentTimes < minTimes)
			{
				minTimes = currentTimes;
			}
			return;
		}
		//对于n挑选剩余可选择的平方数
		for(int i = (int)sqrt(n) ; i >= 1 ; i-- )
		{
			//继续尝试
			backTrace(n - (i * i) , currentTimes + 1 , minTimes);
			//如果尝试成功,不能直接返回,需要继续回溯处理
		}
	}

    int numSquares(int n) {
		int currentTimes = 0;
		int minTimes = INT_MAX;
		backTrace( n , currentTimes , minTimes);
		return minTimes;
    }
};

void print(vector<int>& result)
{
	if(result.empty())
	{
		cout << "no result" << endl;
		return;
	}
	int size = result.size();
	for(int i = 0 ; i < size ; i++)
	{
		cout << result.at(i) << " " ;
	}
	cout << endl;
}

void process()
{
	 int num;
	 Solution solution;
	 while(cin >> num )
	 {
		 int answer = solution.numSquares(num);
		 cout << answer << endl;
	 }
}

int main(int argc , char* argv[])
{
	process();
	getchar();
	return 0;
}


这是一个线性回归模型的结果表格。该模型的因变量为 count,自变量为 temp。下面是对表格中的各项进行解释: - Dep. Variable: count:指定了模型的因变量为 count。 - R-squared: 0.156:决定系数 R-squared 为 0.156,表示自变量 temp 可解释因变量 count 的 15.6% 的方差。 - Model: OLS:模型采用最小二乘法(OLS)进行估计。 - Adj. R-squared: 0.156:校正后的决定系数为 0.156,表示模型已经考虑了自变量的个数和样本量对 R-squared 的影响。 - Method: Least Squares:估计方法为最小二乘法。 - F-statistic: 2006.00:F 统计量为 2006.00,用于检验自变量 temp 是否显著影响因变量 count,P 值为 0.00,表明自变量显著影响因变量。 - Prob (F-statistic): 0.00:P 值为 0.00,表明自变量显著影响因变量。 - Time: 13:53:24:模型估计的时间为 13:53:24。 - Log-Likelihood: -71125:对数似然值为 -71125,用于衡量模型的拟合程度。 - No. Observations: 10886:样本量为 10886。 - AIC: 1.423e+05:信息准则 AIC 为 1.423e+05,用于比较模型的优劣性。 - Df Residuals: 10884:剩余自由度为 10884。 - BIC: 1.423e+05:贝叶斯信息准则 BIC 为 1.423e+05,用于比较模型的优劣性。 - Df Model: 1:模型自由度为 1。 - Covariance Type: nonrobust:协方差类型为非鲁棒型,即不考虑异常值对模型的影响。 - coef:系数估计值。 - std err:系数估计值的标准误差。 - t:t 统计量的值。 - P>|t|:t 统计量的 P 值,用于检验系数是否显著。 - [0.025 0.975]:系数估计值的置信区间。 模型的 RMSE(均方根误差)为 161.63,表示模型的平均预测误差为 161.63。同时,l 的值也为 161.63,可能是你在表格中标注的一个符号。但是,我并不清楚它的含义和作用。希望我的解释能对你有所帮助。
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