算法 - 分割等和子集(动态规划)

算法 - 分割等和子集(动态规划)

前言

动态规划是把复杂的问题拆分成一个个小问题,然后把上个问题的解作为条件来解决下一个问题,以此类推。

力扣:416. 分割等和子集

1. 题目

求一个数组是否可以分割成元素和相等的两个子集。
输入:[1,5,11,5];输出:true。可以分割成 [1,5,5] 和 [11]。
输入:[1,2,5];输出:false。无法分割成元素和相等的两个子集。

2. 思路

第一步:两个子集和相等,则数组和必须为偶数(基+基=偶,偶+偶=偶),否则返回false;
第二步:将其中一个子集之和作为 target ,判断数组中是否存在 target,如果存在则返回 true;
第三步:现在将问题集中到数组中是否存在子集之和为 target。初始化一个空数组 dp ,数组索引 j 表示 j 是否是任意子集之和,如果是,则 dp[j] = true。否则 dp[j] = false。所以现在需要计算 dp[target] 是 true 还是false。

循环数组,判断每个元素到 target 之间的每个值是否是任意子集之和。
比如 arr = [1,5,11,5]。target 为 11。所以就需要求 dp[11] 的值。
dp长度为11+1=12;初始化 dp[0]=true。其他可以假定为false。

循环数组[1,5,11,5] 。

第一个元素1。元素与 target 的区间就是[1-11],循环这个数组区间,把数组区间的每个元素 j - 当前元素1 。需要注意的是,这里是 j 初始值为 target(11), j- -。即由大到小递减,比如先计算11-1,再计算10-1,9-1 等等。如果从小到大减的话,dp[1] = dp[1-1]=dp[0]=true。dp[2]=dp[2-1]=dp[1]=true。这样每个 dp[j] 都是true。这个 dp 就会失效。而从大到小减的话,只能推测出 dp[1] = dp[1-1]=dp[0]= true。
即 dp[0]=true;dp[1] = true。

第二个元素5。元素与 target 的区间就是[5-11],循环这个数组区间,把数组区间的每个元素 j - 当前元素5 。当 j = 6 时,dp[ 6-5 ] = dp[1]=true;当 j = 5 时,dp[ 5-5 ] = dp[0]=true;
即 dp[6]=true;dp[5] = true。

第三个元素11。元素与 target 的区间就是[11-11],循环这个数组区间,把数组区间的每个元素 j - 当前元素11 。当 j = 11 时,dp[ 11-11 ] = dp[0]=true;
dp[11]=true

到这里已经计算出 dp[11] 的值,则直接返回 true。

以上推理过程为,元素 arr[i] 与 target 的区间就是 [arr[i],target],循环这个数组区间,把每个元素 j 减去当前元素arr[i]。根据已知 dp[j] 值,计算与之关联的 dp[j-arr[i]] 的值。

3. 代码

  var arr = [1,5,11,5];
  function canPartition(arr) {
      //计算数组元素总和
      let total = arr.reduce((total,item)=>{
          return total+item
      });
      //如果和不为偶数则直接返回 false
      if (total % 2 !== 0) return false;
      let target = total / 2;
      //如果数组中有target元素则直接返回 true
      if(arr.includes(target)){
          return true;
      };
      //初始化一个数组储存某个元素是否是子集之和,
      //由于要计算target是否为子集之和,所以数组长度为 target+1;
      let dp = new Array(target + 1);//或者直接[]   
      for(let i=0;i<arr.length;i++){
          dp[0] = true;//初始化 dp[0] 为 true
          for(let j=target;j>=arr[i];j--){
              dp[j] = dp[j]||dp[j-arr[i]];
              //如果target是子集之和则直接返回true
              if(dp[target]){
                  return true
              }
          }
      }
      return false
  }
  console.log(canPartition(arr));//true
### 点云数据去重方法概述 点云数据去重是一个基础且重要的任务,在实际应用中可以通过多种算法和工具实现。以下是几种常见的点云去重方法及其具体实现。 #### 方法一:基于CloudCompare的点云去重 CloudCompare是一款功能强大的开源软件,支持点云的各种操作,包括去重。它通过图形界面或脚本方式完成点云数据的清理工作。此方法适合初学者快速入门并验证效果[^1]。 #### 方法二:基于PCL库的点云去重 PCL(Point Cloud Library)作为专业的点云处理库,提供了丰富的API接口来执行点云去重操作。其中一种常用的方式是利用`pcl::VoxelGrid`类进行体素化滤波,该方法通过对点云空间划分为多个小立方体(体素),仅保留每个体素内的一个代性点以达到降采样的目的[^5]。 ```cpp #include <pcl/filters/voxel_grid.h> void downsamplePointCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr input_cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr output_cloud, float leaf_size) { pcl::VoxelGrid<pcl::PointXYZ> voxel_filter; voxel_filter.setInputCloud(input_cloud); voxel_filter.setLeafSize(leaf_size, leaf_size, leaf_size); // 设置体素大小 voxel_filter.filter(*output_cloud); } ``` 上述代码展示了如何使用PCL中的体素网格滤波器对点云进行下采样,间接实现了去除冗余点的功能。 #### 方法三:基于Open3D点云去重 Open3D同样提供了一种简单有效的机制用于删除点云中的重复点。其核心思想是比较每一对点之间的距离,如果发现两个点的距离小于设定阈值,则认为它们属于同一个位置并将其中一个移除[^3]。 ```python import open3d as o3d def remove_duplicates_open3d(pointcloud): unique_points = np.unique(np.round(pointcloud.points * 1e4) / 1e4, axis=0) filtered_pcd = o3d.geometry.PointCloud() filtered_pcd.points = o3d.utility.Vector3dVector(unique_points) return filtered_pcd ``` 这里给出的是Python版本的例子,采用数值近似的方式来判断哪些点应该被视作相同。 #### 方法四:基于Hash的空间划分策略 另一种高效的点云去重手段依赖于哈希的数据结构特性。先依据点坐标计算对应的哈希键值存入特定桶内;当遇到新加入的点时查询对应桶是否存在已有条目即可决定是否舍弃当前候选点[^4]。 ```c++ std::unordered_map<size_t, bool> hash_table; size_t compute_hash(const Point& p){ size_t key = std::hash<int>()((int)(p.x*100)) ^ std::hash<int>()((int)(p.y*100)) ^ std::hash<int>()((int)(p.z*100)); return key; } bool insert_point_if_unique(Point &point){ auto key = compute_hash(point); if(hash_table.find(key)==hash_table.end()){ hash_table[key]=true; return true; // 插入成功 } else{ return false;// 已存在相同的点 } } ``` 以上片段定义了一个简单的函数用来检测新增加的点是不是独一无二的。 --- ### 结论 综上所述,针对不同的应用场景和技术背景可以选择合适的方案来进行点云数据的去重处理。无论是借助成熟的第三方库还是自定义开发专属逻辑都能有效提升最终成果的质量与效率。
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