LeetCode 1320. 二指输入的的最小距离(dp)

该博客介绍了一个关于计算两指输入法输入字符串时最小移动总距离的问题。通过建立动态规划模型,预处理字符间的距离,并进行状态转移,最终找到最小移动总距离。解法涉及字符串处理、二维数组操作和动态规划思想。
题意:

在这里插入图片描述

二指输入法定制键盘在 XY 平面上的布局如上图所示,
其中每个大写英文字母都位于某个坐标处,
例如字母 A 位于坐标 (0,0),字母 B 位于坐标 (0,1),字母 P 位于坐标 (2,3) 且字母 Z 位于坐标 (4,1)。

给你一个待输入字符串 word,请你计算并返回在仅使用两根手指的情况下,键入该字符串需要的最小移动总距离。
坐标 (x1,y1)(x2,y2) 之间的距离是 |x1 - x2| + |y1 - y2|。 

注意,两根手指的起始位置是零代价的,不计入移动总距离。
你的两根手指的起始位置也不必从首字母或者前两个字母开始。

数据范围:
2 <= word.length <= 300
每个 word[i] 都是一个大写英文字母。
解法:
令d[i][j][k]表示前i个字符,两根手指分别在j和k的最小总代价.
枚举下一个字符用哪根手指,即可进行dp的转移,转移代价为手指移动距离.
code:
class Solution {
public:
    #define PI pair<int,int>
    int minimumDistance(string s) {
        char g[33][33]={
            "ABCDEF",
            "GHIJKL",
            "MNOPQR",
            "STUVWX",
            "YZ",
        };
        int dist[33][33]={0};
        int d[333][33][33]={0};
        int n=s.size();
        //预处理字符间的距离
        map<int,PI>mp;
        for(int i=0;i<5;i++){
            for(int j=0;j<6;j++){
                if(!g[i][j])continue;
                mp[g[i][j]-'A']={i,j};
            }
        }
        for(int i=0;i<26;i++){
            for(int j=0;j<26;j++){
                PI x=mp[i],y=mp[j];
                dist[i][j]=abs(x.first-y.first)+abs(x.second-y.second);
            }
        }
        //初始化dp数组
        for(int i=0;i<=n;i++){
            for(int j=0;j<26;j++){
                for(int k=0;k<26;k++){
                    d[i][j][k]=1e9;
                }
            }
        }
        for(int j=0;j<26;j++){
            for(int k=0;k<26;k++){
                d[0][j][k]=0;
            }
        }
        //dp
        for(int i=0;i<n;i++){
            for(int j=0;j<26;j++){
                for(int k=0;k<26;k++){
                    if(d[i][j][k]==1e9)continue;
                    int nt=s[i]-'A';
                    d[i+1][nt][k]=min(d[i+1][nt][k],d[i][j][k]+dist[j][nt]);
                    d[i+1][j][nt]=min(d[i+1][j][nt],d[i][j][k]+dist[k][nt]);
                }
            }
        }
        int ans=1e9;
        for(int j=0;j<26;j++){
            for(int k=0;k<26;k++){
                ans=min(ans,d[n][j][k]);
            }
        }
        return ans;
    }   
};

源码来自:https://pan.quark.cn/s/a3a3fbe70177 AppBrowser(Application属性查看器,不需要越狱! ! ! ) 不需要越狱,调用私有方法 --- 获取完整的已安装应用列表、打开和删除应用操作、应用运行时相关信息的查看。 支持iOS10.X 注意 目前AppBrowser不支持iOS11应用查看, 由于iOS11目前还处在Beta版, 系统API还没有稳定下来。 等到Private Header更新了iOS11版本,我也会进行更新。 功能 [x] 已安装的应用列表 [x] 应用的详情界面 (打开应用,删除应用,应用的相关信息展示) [x] 应用运行时信息展示(LSApplicationProxy) [ ] 定制喜欢的字段,展示在应用详情界面 介绍 所有已安装应用列表(应用icon+应用名) 为了提供思路,这里只用伪代码,具体的私有代码调用请查看: 获取应用实例: 获取应用名和应用的icon: 应用列表界面展示: 应用列表 应用运行时详情 打开应用: 卸载应用: 获取info.plist文件: 应用运行时详情界面展示: 应用运行时详情 右上角,从左往右第一个按钮用来打开应用;第个按钮用来卸载这个应用 INFO按钮用来解析并显示出对应的LSApplicationProxy类 树形展示LSApplicationProxy类 通过算法,将LSApplicationProxy类,转换成了字典。 转换规则是:属性名为key,属性值为value,如果value是一个可解析的类(除了NSString,NSNumber...等等)或者是个数组或字典,则继续递归解析。 并且会找到superClass的属性并解析,superClass如...
基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO)的LSTM分类预测研究(Matlab代码实现)内容概要:本文研究了一种基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO),并将其应用于LSTM神经网络的分类预测中,通过Matlab代码实现。该方法结合遗传算法的全局搜索能力与改进的多群粒子群算法的局部优化特性,提升LSTM模型在分类任务中的性能表现,尤其适用于复杂非线性系统的预测问题。文中详细阐述了算法的设计思路、优化机制及在LSTM参数优化中的具体应用,并提供了可复现的Matlab代码,属于SCI级别研究成果的复现与拓展。; 适合人群:具备一定机器学习和优化算法基础,熟悉Matlab编程,从事智能算法、时间序列预测或分类模型研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①提升LSTM在分类任务中的准确性与收敛速度;②研究混合智能优化算法(如GA与PSO结合)在神经网络超参数优化中的应用;③实现高精度分类预测模型,适用于电力系统故障诊断、电池健康状态识别等领域; 阅读建议:建议读者结合Matlab代码逐步调试运行,理解GA-HIDMSPSO算法的实现细节,重点关注种群划分、异构策略设计及与LSTM的集成方式,同时可扩展至其他深度学习模型的参数优化任务中进行对比实验。
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