[LeetCode] 3Sum Closest

三数之和最接近目标值
本文介绍了一个解决三数之和最接近目标值问题的算法实现,并提供了两种优化方案,通过排序和跳过重复值来提高效率。
class Solution {
public:
    int threeSumClosest(vector<int> &num, int target) {
        int min = 10000;
        int result,sum,sumx;
        sort(num.begin(),num.end());

        for(int i = 0;i < num.size();i ++){
            int m = i + 1,n = num.size() - 1;
            while(m < n){
                sum = num[i] + num[m] + num[n];
                sumx = abs(sum - target);
                if(sumx < min){
                    min = sumx;
                    result = sum;
                }
                if(sum - target < 0)
                    m ++;
                else if(sum - target > 0)
                    n --;
                else
                    return target;
            }
        }
        return result;
    }
};

当然了,可以对上面的代码进行下优化,跳过重复值的计算。

class Solution {
public:
    int threeSumClosest(vector<int> &num, int target) {
        int min = 10000;
        int result,sum,sumx;
        sort(num.begin(),num.end());

        for(int i = 0;i < num.size();i ++){
            while(i > 0 && num[i] == num[i - 1])
                i ++;
            int m = i + 1,n = num.size() - 1;
            while(m < n){
                sum = num[i] + num[m] + num[n];
                sumx = abs(sum - target);
                if(sumx < min){
                    min = sumx;
                    result = sum;
                }
                if(sum - target < 0)
                    m ++;
                else if(sum - target > 0)
                    n --;
                else
                    return target;
                while(m > i + 1 && num[m] == num[m - 1])
                    m ++;
                while(n < num.size() - 1 && num[n] == num[n + 1])
                    n --;
            }
        }
        return result;
    }
};


内容概要:本文介绍了一个基于冠豪猪优化算法(CPO)的无人机三维路径规划项目,利用Python实现了在复杂三维环境中为无人机规划安全、高效、低能耗飞行路径的完整解决方案。项目涵盖空间环境建模、无人机动力学约束、路径编码、多目标代价函数设计以及CPO算法的核心实现。通过体素网格建模、动态障碍物处理、路径平滑技术和多约束融合机制,系统能够在高维、密集障碍环境下快速搜索出满足飞行可行性、安全性与能效最优的路径,并支持在线重规划以适应动态环境变化。文中还提供了关键模块的代码示例,包括环境建模、路径评估和CPO优化流程。; 适合人群:具备一定Python编程基础和优化算法基础知识,从事无人机、智能机器人、路径规划或智能优化算法研究的相关科研人员与工程技术人员,尤其适合研究生及有一定工作经验的研发工程师。; 使用场景及目标:①应用于复杂三维环境下的无人机自主导航与避障;②研究智能优化算法(如CPO)在路径规划中的实际部署与性能优化;③实现多目标(路径最短、能耗最低、安全性最高)耦合条件下的工程化路径求解;④构建可扩展的智能无人系统决策框架。; 阅读建议:建议结合文中模型架构与代码示例进行实践运行,重点关注目标函数设计、CPO算法改进策略与约束处理机制,宜在仿真环境中测试不同场景以深入理解算法行为与系统鲁棒性。
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