LeetCode刷题之 Combination Sum II

本文探讨了在给定候选数字集合中寻找所有唯一组合的问题,使得这些组合的数字之和等于目标数值。每个数字在组合中只能使用一次。文章提供了两种解法,一种是通过排序和剪枝策略减少搜索空间,另一种是使用递归回溯算法,避免重复组合。

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

Combination Sum II

Given a collection of candidate numbers (candidates) and a target number (target), find all unique combinations in candidates where the candidate numbers sums to target.

Each number in candidates may only be used once in the combination.

Note:

  • All numbers (including target) will be positive integers.
  • The solution set must not contain duplicate combinations.

Example 1:

Input: candidates = [10,1,2,7,6,1,5], target = 8,
A solution set is:
[
  [1, 7],
  [1, 2, 5],
  [2, 6],
  [1, 1, 6]
]

Example 2:

Input: candidates = [2,5,2,1,2], target = 5,
A solution set is:
[
  [1,2,2],
  [5]
]

解法一:

最直接的想法就是把所有子集都列出来,然后逐个计算和是否为target

但是考虑到空间复杂度,10个数的num数组就有210个子集,因此必须进行“剪枝”,去掉不可能的子集。

先对num进行排序。

在遍历子集的过程中:

(1)单个元素大于target,则后续元素无需扫描了,直接返回结果。

(2)单个子集元素和大于target,则不用加入当前的子集容器了。

(3)单个子集元素和等于target,加入结果数组。

解法二:递归回溯

需要注意的是:

1、在同一层递归树中,如果某元素已经处理并进入下一层递归,那么与该元素相同的值就应该跳过。否则将出现重复。

例如:1,1,2,3

如果第一个1已经处理并进入下一层递归1,2,3

那么第二个1就应该跳过,因为后续所有情况都已经被覆盖掉。

2、相同元素第一个进入下一层递归,而不是任意一个

例如:1,1,2,3

如果第一个1已经处理并进入下一层递归1,2,3,那么两个1是可以同时成为可行解的

而如果选择的是第二个1并进入下一层递归2,3,那么不会出现两个1的解了。

Answer:

class Solution {
public:
    vector<vector<int> > combinationSum2(vector<int> &num, int target) {
        sort(num.begin(), num.end());
        vector<vector<int> > ret;
        vector<int> cur;
        Helper(ret, cur, num, target, 0);
        return ret;
    }
    void Helper(vector<vector<int> > &ret, vector<int> cur, vector<int> &num, int target, int position)
    {
        if(target == 0)
            ret.push_back(cur);
        else
        {
            for(int i = position; i < num.size() && num[i] <= target; i ++)
            {
                if(i != position && num[i] == num[i-1])
                    continue;
                cur.push_back(num[i]);
                Helper(ret, cur, num, target-num[i], i+1);
                cur.pop_back();
            }
        }
    }
};

 

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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