Leetcode 040 Combination Sum II (隐式图搜索)

这篇博客介绍了LeetCode 040题目的解题思路,主要使用隐式图搜索的方法。首先对输入数组进行排序和去重,并记录每个元素的出现次数。在搜索过程中,不仅要考虑当前元素的值,还要考虑其在原数组中的最大可选次数,这与LeetCode 039题的解法有所区别。

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

题目连接:Leetcode 040 Combination Sum II 

解题思路:与 Leetcode 039 思路相似,不过需要对数组进行预处理。预处理过程为,排序并去重,去重需要记录每个数的个数。而在搜索过程中,枚举每个数后,还有枚举它的个数,与Leetcode 039不同的是,Leetcode 039中只要剩余的和够,可能枚举若干个,而本题中,个数的最大值取决于原先数组中它的个数。

class Solution {
	public:
		vector<vector<int>> combinationSum2(vector<int>& candidates, int target) {
			vector<int> tmp;
			vector<vector<int>> ans;

			int* count = new int[candidates.size()];
			int n = count[0] = 0;
			sort(candidates.begin(), candidates.end());
			for (int i = 0; i < candidates.size(); i++) {
				if (candidates[i] == candidates[n]) count[n]++;
				else { 
					count[++n] = 1;
					candidates[n] = candidates[i];
				}
			}

			queue< pair<int, int> > que_infos;
			queue<vector<int>> que_state;
			que_infos.push(make_pair(target, 0));
			que_state.push(tmp);

			while (!que_infos.empty()) {
				int res = que_infos.front().first;
				int start = que_infos.front().second;
				vector<int> state = que_state.front();
				que_infos.pop(), que_state.pop();

				if (res == 0) { ans.push_back(state); continue;}

				for (int i = start; i <= n; i++) {
					if (candidates[i] > res) break;
					int k = count[i], f = res;
					tmp = state;

					while (k && f >= candidates[i]) {
						k--; tmp.push_back(candidates[i]);
						f -= candidates[i];
						que_infos.push(make_pair(f, i + 1));
						que_state.push(tmp);
					}
				}
			}

			delete count;
			return ans;
		}
};

内容概要:该论文探讨了一种基于粒子群优化(PSO)的STAR-RIS辅助NOMA无线通信网络优化方法。STAR-RIS作为一种新型可重构智能表面,能同时反射和传输信号,与传统仅能反射的RIS不同。结合NOMA技术,STAR-RIS可以提升覆盖范围、用户容量和频谱效率。针对STAR-RIS元素众多导致获取完整信道状态信息(CSI)开销大的问题,作者提出一种在不依赖完整CSI的情况下,联合优化功率分配、基站波束成形以及STAR-RIS的传输和反射波束成形向量的方法,以最大化总可实现速率并确保每个用户的最低速率要求。仿真结果显示,该方案优于STAR-RIS辅助的OMA系统。 适合人群:具备一定无线通信理论基础、对智能反射面技术和非正交多址接入技术感兴趣的科研人员和工程师。 使用场景及目标:①适用于希望深入了解STAR-RIS与NOMA结合的研究者;②为解决无线通信中频谱资源紧张、提高系统性能提供新的思路和技术手段;③帮助理解PSO算法在无线通信优化问题中的应用。 其他说明:文中提供了详细的Python代码实现,涵盖系统参数设置、信道建模、速率计算、目标函数定义、约束条件设定、主优化函数设计及结果可视化等环节,便于读者理解和复现实验结果。此外,文章还对比了PSO与其他优化算法(如DDPG)的区别,强调了PSO在不需要显式CSI估计方面的优势。
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