[Mdfs] lc46. 全排列(dfs+经典+golang 易错点)

1. 题目来源

链接:46. 全排列

必看,必刷,dfs 经典:

2. 题目解析

dfs 模板题没啥好说的。

思路:

  • 按排列的位来枚举填哪些数
  • dfs 维护一个 u,表示当前填到哪一位了,维护一个数组 path 存当前答案,再维护一个 st 判重数组判定哪些数字已经填过了。
  • u == nums.size() 则表示当前的 path 已经填满了,扎到一个排列,将其添加到答案即可

时间复杂度: O ( n ∗ n ! ) O(n*n!) O(nn!) 。不会分析,可见官方题解…
空间复杂度: O ( n ) O(n) O(n)

代码:

class Solution {
public:
    vector<vector<int>> ans;
    vector<int> path;
    vector<bool> st;
    vector<vector<int>> permute(vector<int>& nums) {
        st = vector<bool>(nums.size());
        dfs(nums, 0);
        return ans;
    }

    void dfs(vector<int> &nums, int u) {
        if (u == nums.size()) {
            ans.push_back(path);
            return ;
        }
        for (int i = 0; i < nums.size(); i ++ ) {
            if (!st[i]) {
                st[i] = true;
                path.push_back(nums[i]);
                dfs(nums, u + 1);
                st[i] = false;
                path.pop_back();
            }
        }
    }
};

复习:2025年02月24日22:46:01

golang 这写的还有个坑点啊…path 切片这里不能直接 append,否则将以最后一个元素为所有的答案…导致 res 的 path 实际上都是同一个,指向同一个 path 的底层元素。

要么在这里 copy 一下 path 数组,要么就用下面的写法去 append path 数组。

func permute(nums []int) [][]int {
    res := [][]int{}
    path := []int{}
    n := len(nums)
    st := make([]bool, n)

    var dfs func(u int)
    dfs = func(u int) {
        if u == n {
            res = append(res, append([]int(nil), path...))
            return
        }

        for i := 0; i < n; i ++ {
            if st[i] {
                continue
            }
            path = append(path, nums[i])
            st[i] = true
            dfs(u + 1)
            path = path[:len(path) - 1]
            st[i] = false
        }
    }

    dfs(0)
    return res
}
内容概要:本文详细探讨了基于樽海鞘算法(SSA)优化的极限学习机(ELM)在回归预测任务中的应用,并与传统的BP神经网络、广义回归神经网络(GRNN)以及未优化的ELM进行了性能对比。首先介绍了ELM的基本原理,即通过随机生成输入层与隐藏层之间的连接权重及阈值,仅需计算输出权重即可快速完成训练。接着阐述了SSA的工作机制,利用樽海鞘群体觅食行为优化ELM的输入权重和隐藏层阈值,从而提高模型性能。随后分别给出了BP、GRNN、ELM和SSA-ELM的具体实现代码,并通过波士顿房价数据集和其他工业数据集验证了各模型的表现。结果显示,SSA-ELM在预测精度方面显著优于其他三种方法,尽管其训练时间较长,但在实际应用中仍具有明显优势。 适合人群:对机器学习尤其是回归预测感兴趣的科研人员和技术开发者,特别是那些希望深入了解ELM及其优化方法的人。 使用场景及目标:适用于需要高效、高精度回归预测的应用场景,如金融建模、工业数据分析等。主要目标是提供一种更为有效的回归预测解决方案,尤其是在处理大规模数据集时能够保持较高的预测精度。 其他说明:文中提供了详细的代码示例和性能对比图表,帮助读者更好地理解和复现实验结果。同时提醒使用者注意SSA参数的选择对模型性能的影响,建议进行参数敏感性分析以获得最佳效果。
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

打赏作者

Ypuyu

如果帮助到你,可以请作者喝水~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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