【差分数组】还不懂差分数组?蓝桥杯算法模板题小明的彩灯解析

本文涉及的产品
公共DNS(含HTTPDNS解析),每月1000万次HTTP解析
云解析 DNS,旗舰版 1个月
全局流量管理 GTM,标准版 1个月
简介: 文章目录1.算法背景2.差分数组2.1 什么是差分数组?2.2 差分数组的性质3 例题——小明的彩灯3.1 题目分析3.2 参考代码(Java)3.3 实现结果

1.算法背景

✈️试想一下,你有一个长度为100万的数组,这时候,你需要修改索引区间[1,100000]的值,我们很容易想到通过循环遍历数组来修改值。但是如果这种操作是频繁的呢?你就需要频繁的遍历数组进行修改,而这个修改区间又比较大,因此,时间复杂度极高。为了使这种操作更加高效,差分数组便出现了。


2.差分数组

2.1 什么是差分数组?

🐜我们给定一个数组nums = [1, 2, 3, 4, 5, 6],为了便于计算,我们从索引1处开始赋值,索引0处默认为0。此时nums = [0, 1, 2, 3, 4, 5, 6]。

记nums的差分数组为array,则有array[ i ] = nums[ i ] - nums [ i-1 ],求得差分数组array = [0, 1, 1, 1, 1, 1, 1]。

2.2 差分数组的性质

🥇对差分数组求前缀和即可得到原来的数组

对于上述数组,有nums[1] = array[0] + array[1];nums[2] = array[0] + array[1] + array[2];即有:

🌟nums[ index ] = ∑ i = 0 i n d e x a r r a y [ i ] \sum_{i=0}^{index} array[ i ]∑

i=0

index

array[i]


🥈若需要将原数组区间[l, r]的数字+X,则修改后的数组的新差分数组满足array_1[l] += X; array_1[r+1] -= X;其余的差分数组值保持不变


3 例题——小明的彩灯

🍎题目链接:小明的彩灯

超链接若异常请手动复制访问:https://www.lanqiao.cn/problems/1276/learning/


【题目描述】

小明拥有 N个彩灯,第 i个彩灯的初始亮度为 a_i 小明将进行 Q次操作,每次操作可选择一段区间,并使区间内彩灯的亮度+x(x 可能为负数)。求 Q次操作后每个彩灯的亮度(若彩灯亮度为负数则输出 0)。

【输入描述】

第一行包含两个正整数 N,Q,分别表示彩灯的数量和操作的次数。

第二行包含 N 个整数,表示彩灯的初始亮度。

接下来 Q 行每行包含一个操作,格式如下:

l r x,表示将区间 l∼r 的彩灯的亮度 +x。

【输出描述】

输出共 1 行,包含 N 个整数,表示每个彩灯的亮度。

【输入样例】

5 3

2 2 2 1 5

1 3 3

4 5 5

1 1 -100

【输出样例】

0 5 5 6 10


3.1 题目分析

定义array为nums的差分数组,将对nums数组的操作转化为对array数组的操作,后将前缀和记录到res数组中保存结果(注意灯的亮度不能小于0),最终输出结果即可。


3.2 参考代码(Java)

import java.util.Scanner;
public class test17 {
    public static void main(String[] args) {
        Scanner in = new Scanner(System.in);
        int N = in.nextInt();  // 数字数
        int Q = in.nextInt();  // 操作次数
        int[] nums = new int[N+1];  // 数字输入
        int[] array = new int[N+2]; // 差分数组
        int[] res = new int[N+1];  // 记录结果
        for (int i = 1; i <= N; i++) {
            nums[i] = in.nextInt();
        }
        for (int i = 1; i <= N; i++) {
            array[i] = nums[i] - nums[i-1];
        }
        // 操作
        while (Q-- != 0){
            int l = in.nextInt();  // 左区间
            int r = in.nextInt();  // 右区间
            int x = in.nextInt();
            array[l] += x;
            array[r+1] -= x;
        }
        // 计数前缀和
        res[1] = array[1];
        for (int i = 2; i <= N ; i++) {
            res[i] = res[i-1] + array[i];
        }
        // 打印结果 控制输出格式
        for (int i = 1; i <= N; i++) {
            if(res[i] >= 0){
                if(i == N)
                    System.out.print(res[i]);
                else
                    System.out.print(res[i] + " ");
            }else {
                if(i == N)
                    System.out.print("0");
                else
                    System.out.print("0 ");
            }
        }
        in.close();
    }
}

3.3 实现结果

相关文章
|
19天前
|
算法 前端开发 数据处理
小白学python-深入解析一位字符判定算法
小白学python-深入解析一位字符判定算法
38 0
|
12天前
|
存储 算法 Java
解析HashSet的工作原理,揭示Set如何利用哈希算法和equals()方法确保元素唯一性,并通过示例代码展示了其“无重复”特性的具体应用
在Java中,Set接口以其独特的“无重复”特性脱颖而出。本文通过解析HashSet的工作原理,揭示Set如何利用哈希算法和equals()方法确保元素唯一性,并通过示例代码展示了其“无重复”特性的具体应用。
30 3
|
13天前
|
搜索推荐 算法
插入排序算法的平均时间复杂度解析
【10月更文挑战第12天】 插入排序是一种简单直观的排序算法,通过不断将未排序元素插入到已排序部分的合适位置来完成排序。其平均时间复杂度为$O(n^2)$,适用于小规模或部分有序的数据。尽管效率不高,但在特定场景下仍具优势。
|
20天前
|
存储 机器学习/深度学习 算法
蓝桥杯练习题(三):Python组之算法训练提高综合五十题
蓝桥杯Python编程练习题的集合,涵盖了从基础到提高的多个算法题目及其解答。
36 3
蓝桥杯练习题(三):Python组之算法训练提高综合五十题
|
13天前
|
人工智能 前端开发 JavaScript
拿下奇怪的前端报错(一):报错信息是一个看不懂的数字数组Buffer(475) [Uint8Array],让AI大模型帮忙解析
本文介绍了前端开发中遇到的奇怪报错问题,特别是当错误信息不明确时的处理方法。作者分享了自己通过还原代码、试错等方式解决问题的经验,并以一个Vue3+TypeScript项目的构建失败为例,详细解析了如何从错误信息中定位问题,最终通过解读错误信息中的ASCII码找到了具体的错误文件。文章强调了基础知识的重要性,并鼓励读者遇到类似问题时不要慌张,耐心分析。
|
19天前
|
机器学习/深度学习 算法 PyTorch
Pytorch-RMSprop算法解析
关注B站【肆十二】,观看更多实战教学视频。本期介绍深度学习中的RMSprop优化算法,通过调整每个参数的学习率来优化模型训练。示例代码使用PyTorch实现,详细解析了RMSprop的参数及其作用。适合初学者了解和实践。
29 1
|
14天前
|
前端开发 算法 JavaScript
无界SaaS模式深度解析:算力算法、链接力、数据确权制度
私域电商的无界SaaS模式涉及后端开发、前端开发、数据库设计、API接口、区块链技术、支付和身份验证系统等多个技术领域。本文通过简化框架和示例代码,指导如何将核心功能转化为技术实现,涵盖用户管理、企业店铺管理、数据流量管理等关键环节。
|
19天前
|
机器学习/深度学习 算法 PyTorch
Pytorch-SGD算法解析
SGD(随机梯度下降)是机器学习中常用的优化算法,特别适用于大数据集和在线学习。与批量梯度下降不同,SGD每次仅使用一个样本来更新模型参数,提高了训练效率。本文介绍了SGD的基本步骤、Python实现及PyTorch中的应用示例。
26 0
|
19天前
|
机器学习/深度学习 传感器 算法
Pytorch-Adam算法解析
肆十二在B站分享深度学习实战教程,本期讲解Adam优化算法。Adam结合了AdaGrad和RMSProp的优点,通过一阶和二阶矩估计,实现自适应学习率,适用于大规模数据和非稳态目标。PyTorch中使用`torch.optim.Adam`轻松配置优化器。
30 0
|
24天前
|
存储 搜索推荐 算法
【排序算法(二)】——冒泡排序、快速排序和归并排序—>深层解析
【排序算法(二)】——冒泡排序、快速排序和归并排序—>深层解析

推荐镜像

更多