[LeetCode]Max Points on a Line

本文介绍了一种高效算法,用于解决给定点集中最大共线点数的问题。通过遍历每一对点计算斜率并使用哈希表记录斜率出现频率,找出具有最多共线点的直线。
/**
 * Definition for a point.
 * struct Point {
 *     int x;
 *     int y;
 *     Point() : x(0), y(0) {}
 *     Point(int a, int b) : x(a), y(b) {}
 * };
 */
class Solution {
  
public:
    int maxPoints(vector<Point> &points) {
        int globalMaxPointInLineNum = 0;
        //for each point x in the set A
        for(int i = 0; i < points.size(); ++i)
        {
            int samePtNum = 0;
            int localMaxPointInLineNum = 0;
            std::unordered_map<double, int> hashCntTable;
            //for each point y (not equal x) in the set A
            for(int j = i+1; j < points.size(); ++j)
            {
                double slope = std::numeric_limits<double>::infinity();//positive infinity
                //judge if they are the same point
                if(points[i].x == points[j].x && points[i].y == points[j].y)
                {
                    samePtNum++;
                    continue;
                }
                //if they have the slope, recompute their slope
                if(points[i].x != points[j].x)
                {
                    slope = (double)(points[i].y-points[j].y)/(double)(points[i].x-points[j].x);
                }
                //save the slope in the hash count table
                hashCntTable[slope]++;
                //keep record of the local max
                localMaxPointInLineNum = std::max(localMaxPointInLineNum, hashCntTable[slope]);
            }
            //keep record of the global max
            globalMaxPointInLineNum = std::max(globalMaxPointInLineNum, localMaxPointInLineNum+samePtNum+1);
        }
        return globalMaxPointInLineNum;
    }
    
};

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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

AI记忆

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