leetcode第一刷_Jump Game II

本文介绍了一种使用动态规划解决跳跃游戏问题的方法,并通过优化减少时间复杂度至线性级别。作者分享了从最初尝试到最终高效解决方案的过程,强调了只更新新可达点的重要性。

要求最小的步数,是不是非常easy想到用dp啊?

我一開始的做法是,当找到了一个可以从它延伸到更远的位置,就把这个位置和最远位置的步数都更新一下,结果超时了。

事实上这样不仅是超时的,并且是错误的。由于这段距离里的非常多点,事实上是上一步就能到达的。

事实上应该更新的仅仅有哪些新的可以到达的点,那哪些点是新的能到达的点呢?如果这次可以延伸更远的点是i。它的前进步数是A[i],上一次可以到达的最远的点是mmax,那新的能到达的点应该是(mmax, i+A[i] ]这个之间的这些位置。时间复杂度一下子变成线性的了。

class Solution {
public:
    int jump(int A[], int n) {
        if(n <= 1)  return 0;
        vector<int> steps(n, INT_MAX);
        steps[0] = 0;
        int mmax=0;
        for(int i=0;i<n-1;i++){
            if(i+A[i]>mmax){
                for(int j=mmax+1;j<=i+A[i]&&j<n;j++)
                    steps[j] = steps[i]+1;
                if(i+A[i]>=n-1)
                    steps[n-1] = min(steps[n-1], steps[i]+1);
                mmax = i+A[i];
            }
        }
        return steps[n-1];
    }
};


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