1到2n这2n个数平均分成两份 abs(ai-bi)=k 求个数

探讨了将从1到2n的数均匀分为两组,使得每组排序后,相同位置的数差的绝对值至少为k的问题。通过递归和组合方法,对比两种解决方案的正确性和效率。

输入是两个正整数n和k,把从1到2n这2n个数平均分成两份(每份n个数),每份分别排序,排序完成后的数组假设叫a和b,要求abs(ai-bi)>=k, (相同位置的数差的绝对值不少于k),输出有多少种分法。


Backtrack is straighforward, welcome other better solutions:

from itertools import combinations

class Solution:
    def cal_ways(self, n, k):
        def dfs(toset, sta, y):
            nonlocal k,n
            l = len(sta)
            if (l == n and y == n):
                return 1
            elif (l == y and l+k <= n):
                return 2*dfs(k+toset, sta+[i+toset for i in range(k)], y)
            elif (l == y and l+k > n):
                return 0
            else:
                ret = 0
                if (l < n):
                    ret += dfs(toset+1, sta+[toset], y)
                if ((abs(sta[y]-toset) >= k)):
                    ret += dfs(toset+1, sta, y+1)
                return ret
        res = dfs(1+k, [i+1 for i in range(k)], 0)
        return res

    def cal_direct(self, n, k):
        total = [i+1 for i in range(n*2)]
        cnt,xycnt = 0,0

        for comb in combinations([i+1 for i in range(n*2)], n):
            a = list(comb)
            b = sorted(list(set(total).difference(set(a))))

            if (all(abs(a[i]-b[i]) >= k for i in range(n))):
                cnt += 1
        return cnt >> 1

s = Solution()


for i in range(1,10):
    for j in range(1,i+1):
        res1 = s.cal_ways(i, j)
        res2 = s.cal_direct(i, j)
        if (res1 != res2):
            print("n={0} k={1} res1={2} res2={3}".format(i,j,res1,res2))
print("Finished!!!")

Dependencies are the major difficulty. E.g., n=7, k=3, after arrangement of [1,2,3],the arrangement of 4,5,6 has 3 scenarios:

a=[1, 2, 3, 4, 7, 8, 9] b=[5, 6, 10, 11, 12, 13, 14]
a=[1, 2, 3, 4, 7, 8, 10] b=[5, 6, 9, 11, 12, 13, 14]
a=[1, 2, 3, 4, 7, 8, 11] b=[5, 6, 9, 10, 12, 13, 14]
a=[1, 2, 3, 4, 7, 9, 10] b=[5, 6, 8, 11, 12, 13, 14]
a=[1, 2, 3, 4, 7, 9, 11] b=[5, 6, 8, 10, 12, 13, 14]
a=[1, 2, 3, 4, 7, 10, 11] b=[5, 6, 8, 9, 12, 13, 14]
a=[1, 2, 3, 4, 8, 9, 10] b=[5, 6, 7, 11, 12, 13, 14]
a=[1, 2, 3, 4, 8, 9, 11] b=[5, 6, 7, 10, 12, 13, 14]
a=[1, 2, 3, 4, 8, 10, 11] b=[5, 6, 7, 9, 12, 13, 14]
a=[1, 2, 3, 4, 9, 10, 11] b=[5, 6, 7, 8, 12, 13, 14]
a=[1, 2, 3, 4, 12, 13, 14] b=[5, 6, 7, 8, 9, 10, 11]

a=[1, 2, 3, 5, 7, 8, 9] b=[4, 6, 10, 11, 12, 13, 14]
a=[1, 2, 3, 5, 7, 8, 10] b=[4, 6, 9, 11, 12, 13, 14]
a=[1, 2, 3, 5, 7, 8, 11] b=[4, 6, 9, 10, 12, 13, 14]
a=[1, 2, 3, 5, 7, 9, 10] b=[4, 6, 8, 11, 12, 13, 14]
a=[1, 2, 3, 5, 7, 9, 11] b=[4, 6, 8, 10, 12, 13, 14]
a=[1, 2, 3, 5, 7, 10, 11] b=[4, 6, 8, 9, 12, 13, 14]
a=[1, 2, 3, 5, 8, 9, 10] b=[4, 6, 7, 11, 12, 13, 14]
a=[1, 2, 3, 5, 8, 9, 11] b=[4, 6, 7, 10, 12, 13, 14]
a=[1, 2, 3, 5, 8, 10, 11] b=[4, 6, 7, 9, 12, 13, 14]
a=[1, 2, 3, 5, 9, 10, 11] b=[4, 6, 7, 8, 12, 13, 14]
a=[1, 2, 3, 5, 12, 13, 14] b=[4, 6, 7, 8, 9, 10, 11]

a=[1, 2, 3, 6, 7, 8, 9] b=[4, 5, 10, 11, 12, 13, 14]
a=[1, 2, 3, 6, 7, 8, 10] b=[4, 5, 9, 11, 12, 13, 14]
a=[1, 2, 3, 6, 7, 8, 11] b=[4, 5, 9, 10, 12, 13, 14]
a=[1, 2, 3, 6, 7, 9, 10] b=[4, 5, 8, 11, 12, 13, 14]
a=[1, 2, 3, 6, 7, 9, 11] b=[4, 5, 8, 10, 12, 13, 14]
a=[1, 2, 3, 6, 7, 10, 11] b=[4, 5, 8, 9, 12, 13, 14]
a=[1, 2, 3, 6, 8, 9, 10] b=[4, 5, 7, 11, 12, 13, 14]
a=[1, 2, 3, 6, 8, 9, 11] b=[4, 5, 7, 10, 12, 13, 14]
a=[1, 2, 3, 6, 8, 10, 11] b=[4, 5, 7, 9, 12, 13, 14]
08-20
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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