动态规划的常见优化方式:滚动数组 & 一维优化 | Java 刷题打卡

简介: 动态规划的常见优化方式:滚动数组 & 一维优化 | Java 刷题打卡

网络异常,图片无法展示
|


题目描述



这是 LeetCode 上的 978. 最长湍流子数组


Tag : 「序列 DP」


当 A 的子数组 A[i], A[i+1], ..., A[j] 满足下列条件时,我们称其为湍流子数组:


  • 若 i <= k < j,当 k 为奇数时, A[k] > A[k+1],且当 k 为偶数时,A[k] < A[k+1];
  • 或 若 i <= k < j,当 k 为偶数时,A[k] > A[k+1] ,且当 k 为奇数时, A[k] < A[k+1]。


也就是说,如果比较符号在子数组中的每个相邻元素对之间翻转,则该子数组是湍流子数组。


返回 A 的最大湍流子数组的长度。


示例 1:


输入:[9,4,2,10,7,8,8,1,9]
输出:5
解释:(A[1] > A[2] < A[3] > A[4] < A[5])
复制代码


示例 2:


输入:[4,8,12,16]
输出:2
复制代码


示例 3:


输入:[100]
输出:1
复制代码


提示:


  • 1 <= A.length <= 40000
  • 0 <= A[i] <= 10^9109


基本分析思路



本题其实是要我们求最长一段呈 ↗ ↘ ↗ ↘ 或者 ↘ ↗ ↘ ↗ 形状的数组长度。


看一眼数据范围,有 40000,那么枚举起点和终点,然后对划分出来的子数组检查是否为「湍流子数组」的朴素解法就不能过了。


朴素解法的复杂度为 O(n^3)O(n3) ,直接放弃朴素解法。


复杂度往下优化,其实就 O(n)O(n) 的 DP 解法了。


动态规划



至于 DP 如何分析,通过我们会先考虑一维 DP 能否求解,不行再考虑二维 DP ...


对于本题,由于每个位置而言,能否「接着」上一个位置形成「湍流」,取决于上一位置是由什么形状而来。


举个例子,对于样例 [3,4,2],从 4 -> 2 已经确定是 状态,那么对于 2 这个位置能否「接着」4 形成「湍流」,要求 4 必须是由 而来。


因此我们还需要记录某一位是如何来的( 还是 ),需要使二维 DP 来求解 ~


我们定义 f(i,j) 代表以位置 i 为结尾,而结尾状态为 j 的最长湍流子数组长度(0:上升状态 / 1:下降状态)


PS. 这里的状态定义我是猜的,这其实是个技巧。通常我们做 DP 题,都是先猜一个定义,然后看看这个定义是否能分析出状态转移方程帮助我们「不重不漏」的枚举所有的方案。一般我是直接根据答案来猜定义,这里是求最长子数组长度,所以我猜一个 f(i,j) 代表最长湍流子数组长度


那么 f[i][j] 该如何求解呢?


我们知道位置 i 是如何来是唯一确定的(取决于 arr[i]arr[i - 1] 的大小关系),而只有三种可能性:


  • arr[i - 1] < arr[i]:该点是由上升而来,能够「接着」的条件是 i - 1 是由下降而来。则有:f[i][0] = f[i - 1][1] + 1
  • arr[i - 1] > arr[i]:改点是由下降而来,能够「接着」的条件是 i - 1 是由上升而来。则有:f[i][1] = f[i - 1][0] + 1
  • arr[i - 1] = arr[i]:不考虑,不符合「湍流」的定义


代码:


class Solution {
    public int maxTurbulenceSize(int[] arr) {
        int n = arr.length;
        int ans = 1;
        int[][] f = new int[n][2];
        for (int i = 0; i < 2; i++) f[0][i] = 1;
        for (int i = 1; i < n; i++) {
            for (int j = 0; j < 2; j++) f[i][j] = 1;
            if (arr[i - 1] < arr[i]) f[i][0] = f[i - 1][1] + 1;
            if (arr[i - 1] > arr[i]) f[i][1] = f[i - 1][0] + 1;
            for (int j = 0; j < 2; j++) ans = Math.max(ans, f[i][j]);                
        }
        return ans;
    }
}
复制代码


  • 时间复杂度:O(n)O(n)
  • 空间复杂度:O(n)O(n)


动态规划(空间优化:奇偶滚动)



我们发现对于 f[i][j] 状态的更新只依赖于 f[i - 1][j] 的状态。


因此我们可以使用「奇偶滚动」方式来将第一维从 n 优化到 2 。


修改的方式也十分机械,只需要改为「奇偶滚动」的维度直接修改成 2 ,然后该维度的所有访问方式增加 %2 即可:


class Solution {
    public int maxTurbulenceSize(int[] arr) {
        int n = arr.length;
        int ans = 1;
        int[][] f = new int[2][2];
        for (int i = 0; i < 2; i++) f[0][i] = 1;
        for (int i = 1; i < n; i++) {
            for (int j = 0; j < 2; j++) f[i % 2][j] = 1;
            if (arr[i - 1] < arr[i]) f[i % 2][0] = f[(i - 1) % 2][1] + 1;
            if (arr[i - 1] > arr[i]) f[i % 2][1] = f[(i - 1) % 2][0] + 1;
            for (int j = 0; j < 2; j++) ans = Math.max(ans, f[i % 2][j]);
        }
        return ans;
    }
}
复制代码


  • 时间复杂度:O(n)O(n)
  • 空间复杂度:使用固定 2 * 2 的数组空间。复杂度为 O(1)O(1)


动态规划(空间优化:维度消除)



既然只需要记录上一行状态,能否直接将行的维度消除呢?


答案是可以的,当我们要转移第 i 行的时候,f 数组装的就已经是 i - 1 行的结果。

这也是著名「背包问题」的一维通用优手段。


但相比于「奇偶滚动」的空间优化,这种优化手段只是常数级别的优化(空间复杂度与「奇偶滚动」相同),而且优化通常涉及代码改动。


class Solution {
    public int maxTurbulenceSize(int[] arr) {
        int n = arr.length;
        int ans = 1;
        int[] f = new int[2];
        for (int i = 0; i < 2; i++) f[i] = 1;
        for (int i = 1; i < n; i++) {
            int dp0 = f[0], dp1 = f[1];
            if (arr[i - 1] < arr[i]) {
                f[0] = dp1 + 1;
            } else {
                f[0] = 1;
            }
            if (arr[i - 1] > arr[i]) {
                f[1] = dp0 + 1;
            } else {
                f[1] = 1;
            }
            for (int j = 0; j < 2; j++) ans = Math.max(ans, f[j]);
        }
        return ans;
    }
}
复制代码


  • 时间复杂度:O(n)O(n)
  • 空间复杂度:O(1)O(1)


其他



如果你对「猜 DP 的状态定义」还没感觉,这里有道类似的题目可以瞧一眼:45. 跳跃游戏 II


最后



这是我们「刷穿 LeetCode」系列文章的第 No.978 篇,系列开始于 2021/01/01,截止于起始日 LeetCode 上共有 1916 道题目,部分是有锁题,我们将先将所有不带锁的题目刷完。


在这个系列文章里面,除了讲解解题思路以外,还会尽可能给出最为简洁的代码。如果涉及通解还会相应的代码模板。


为了方便各位同学能够电脑上进行调试和提交代码,我建立了相关的仓库:github.com/SharingSour…



在仓库地址里,你可以看到系列文章的题解链接、系列文章的相应代码、LeetCode 原题链接和其他优选题解。

相关文章
|
15天前
|
Java Spring
如何优化Java异步任务的性能?
本文介绍了Java中四种异步任务实现方式:基础Thread、线程池、CompletableFuture及虚拟线程。涵盖多场景代码示例,展示从简单异步到复杂流程编排的演进,适用于不同版本与业务需求,助你掌握高效并发编程实践。(239字)
125 6
|
21天前
|
Java
Java 数组学习笔记
本文整理Java数组常用操作:遍历、求和、查找、最值及二维数组行求和等典型练习,涵盖静态初始化、元素翻倍、去极值求平均等实例,帮助掌握数组基础与应用。
|
21天前
|
数据采集 存储 弹性计算
高并发Java爬虫的瓶颈分析与动态线程优化方案
高并发Java爬虫的瓶颈分析与动态线程优化方案
|
2月前
|
安全 Java 编译器
new出来的对象,不一定在堆上?聊聊Java虚拟机的优化技术:逃逸分析
逃逸分析是一种静态程序分析技术,用于判断对象的可见性与生命周期。它帮助即时编译器优化内存使用、降低同步开销。根据对象是否逃逸出方法或线程,分析结果分为未逃逸、方法逃逸和线程逃逸三种。基于分析结果,编译器可进行同步锁消除、标量替换和栈上分配等优化,从而提升程序性能。尽管逃逸分析计算复杂度较高,但其在热点代码中的应用为Java虚拟机带来了显著的优化效果。
63 4
|
2月前
|
存储 缓存 Java
Java数组全解析:一维、多维与内存模型
本文深入解析Java数组的内存布局与操作技巧,涵盖一维及多维数组的声明、初始化、内存模型,以及数组常见陷阱和性能优化。通过图文结合的方式帮助开发者彻底理解数组本质,并提供Arrays工具类的实用方法与面试高频问题解析,助你掌握数组核心知识,避免常见错误。
|
2月前
|
存储 人工智能 算法
Java 大视界 -- Java 大数据在智能医疗影像数据压缩与传输优化中的技术应用(227)
本文探讨 Java 大数据在智能医疗影像压缩与传输中的关键技术应用,分析其如何解决医疗影像数据存储、传输与压缩三大难题,并结合实际案例展示技术落地效果。
|
2月前
|
机器学习/深度学习 算法 Java
Java 大视界 -- Java 大数据机器学习模型在生物信息学基因功能预测中的优化与应用(223)
本文探讨了Java大数据与机器学习模型在生物信息学中基因功能预测的优化与应用。通过高效的数据处理能力和智能算法,提升基因功能预测的准确性与效率,助力医学与农业发展。
|
2月前
|
数据采集 搜索推荐 Java
Java 大视界 -- Java 大数据在智能教育虚拟学习环境构建与用户体验优化中的应用(221)
本文探讨 Java 大数据在智能教育虚拟学习环境中的应用,涵盖多源数据采集、个性化推荐、实时互动优化等核心技术,结合实际案例分析其在提升学习体验与教学质量中的成效,并展望未来发展方向与技术挑战。
|
存储 机器人 Java
【肝了好多天!】-动态规划十连-超细腻解析——《我的Java打怪日记》
周末肝了几道动态规划题,写一下我的心得笔记,故事开头,文章循序渐进,如果看官出现头疼不适,望休息,但是别放弃一定要看完!号外:每道题都有单元测试,看官们直接copy就可以debug了。
55092 0
【肝了好多天!】-动态规划十连-超细腻解析——《我的Java打怪日记》

热门文章

最新文章