399. Evaluate Division

本文介绍了一种使用图算法解决方程组问题的方法。通过构建图结构并利用深度优先搜索(DFS)来查找两个变量间的转换路径及比率。讨论了如何初始化图结构以及递归查找解决方案的过程。

图像题,没觉得有什么简单的办法,貌似可以用Union Find来解。

感觉有2种思路,一种是先全部构建好每2个点的weight,然后直接遍历queires[][]来抓取答案。

一种是只构建简单的关系图,然后通过DFS来一一找寻要求的答案。

做了一会好他妈的麻烦,最后参考了(http://blog.youkuaiyun.com/yeqiuzs/article/details/52506433)

用的是第二种。

需要注意,不存在 优先于 相等 eg : x/x = -1.0, not 1.0, if x DNE in map.

public class Solution 
{
    public double[] calcEquation(String[][] equations, double[] values, String[][] queries) 
    {
        double[] res = new double[queries.length];
    
        
        Map<String,Map<String,Double>> map = new HashMap<String,Map<String,Double>>();
        
        
        
        Set<String> set = new HashSet<String>();
        for(int i = 0; i < equations.length;i++)
        {
            set.add(equations[i][0]);
            set.add(equations[i][1]);
            Map<String,Double> tempMap;
            if(!map.containsKey(equations[i][0]))
            {
                tempMap = new HashMap<String,Double>();
            }
            else
            {
                tempMap = map.get(equations[i][0]);
            }
            tempMap.put(equations[i][1],values[i]);
            map.put(equations[i][0], tempMap);
  
            
            if(!map.containsKey(equations[i][1]))
            {
                tempMap = new HashMap<String,Double>();
            }
            else
            {
                tempMap = map.get(equations[i][1]);
            }
            tempMap.put(equations[i][0],1.0/values[i]);
            map.put(equations[i][1],tempMap);

        }
        //cal
        
        
        for(int i = 0; i < queries.length;i++)
        {
            String a = queries[i][0];
            String b = queries[i][1];
            if(a.equals(b) && map.containsKey(a))
            {
                res[i] = 1.0;
                continue;
            }
            Map<String,Boolean> available = new HashMap<String,Boolean>();
            Iterator iter = set.iterator();
            while(iter.hasNext())
            {
                available.put((String)iter.next(),true);
            }
            
            double tempRes = helper(map,available,a,b,1.0);
            res[i] = tempRes;
            
            
        }
        
        return res;
        

    }
    
    public double helper(Map<String,Map<String,Double>> map, Map<String,Boolean> available,String a, String b, double base)
    {
        
        //new entry
        if(map.containsKey(a) && available.get(a))
        {
            available.put(a,false);
            Map<String,Double> tempMap = map.get(a);
            if(tempMap.containsKey(b)) return base * tempMap.get(b);
            else
            {
                Iterator iter = tempMap.keySet().iterator();
                double tempRes = -1.0;
                while(iter.hasNext() && tempRes == -1.0)
                {
                    String tempB = (String)iter.next();
                    
                    //available.put(tempB,false);
                    tempRes = helper(map,new HashMap<String,Boolean>(available),tempB,b,base * tempMap.get(tempB));
                    //available.put(tempB,true);
                    
                }
                
                if(tempRes == -1.0) return -1.0;
                else return tempRes;
            }
        }
        else
        {
            return -1.0;
        }
    }
}

考基本功的。二刷看看能不能先构建完整的图。

转载于:https://www.cnblogs.com/reboot329/p/5867590.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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