LeetCode763. Partition Labels

本文介绍了一种将字符串分割成尽可能多部分的算法,确保每个字母在分割后的子字符串中最多出现一次。通过维护最大索引和更新策略,实现有效分割。

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

题目描述:

A string S of lowercase letters is given. We want to partition this string into as many parts as possible so that each letter appears in at most one part, and return a list of integers representing the size of these parts.

Example 1:

Input: S = "ababcbacadefegdehijhklij"
Output: [9,7,8]
Explanation:
The partition is "ababcbaca", "defegde", "hijhklij".
This is a partition so that each letter appears in at most one part.
A partition like "ababcbacadefegde", "hijhklij" is incorrect, because it splits S into less parts.

找到字符串的一种分割方式,即分割后的多个字符串之间不能存在相同的字符,要求:找到能够分到最多字符串的方式。

解题思路: 

本题是一个贪心问题,当前字符与最后一次出现这个字符之间的字符串一定是被分割到一个子字符串中的。因此需要维护一个当前子字符串中的字符出现的最大索引,不断更新这个最大索引,当指针i走到最大索引的后边的时候,说明指针前面的字符串可以被分成一个子字符串了。

Python代码:

class Solution:
    def partitionLabels(self, S):
        """
        :type S: str
        :rtype: List[int]
        """
        max_index = {c: i for i, c in enumerate(S)}
        max_tem, tem = 0, 0
        res = []
        for i in range(len(S)):
            if max_index[S[i]] > max_tem:
                max_tem = max_index[S[i]]
            if i >= max_tem:
                res.append(i - tem + 1)
                tem = i + 1
        return res

Java代码:

class Solution {
    public List<Integer> partitionLabels(String S) {
        int ls = S.length();
        int maxTem = 0, tem = 0;
        ArrayList res = new ArrayList();
        int lastIndex[] = new int[ls];
        for (int i = 0; i < ls; i++) {
            lastIndex[i] = S.lastIndexOf(S.charAt(i));
            // System.out.println(last_index[i]);
        }
        for (int i = 0; i < ls; i++) {
            if (lastIndex[i] > maxTem) {
                maxTem = lastIndex[i];
            }
            if (i >= maxTem) {
                res.add(i - tem + 1);
                tem = i + 1;
                maxTem = 0;
            }
        }
        return res;
    }
}

内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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