LeetCode 1620. 网络信号最好的坐标

简介: LeetCode 1620. 网络信号最好的坐标

题目描述

给你一个数组 towers 和一个整数 radius

数组  towers  中包含一些网络信号塔,其中 towers[i] = [xi, yi, qi] 表示第 i 个网络信号塔的坐标是 (xi, yi) 且信号强度参数为 qi 。所有坐标都是在  X-Y 坐标系内的 整数 坐标。两个坐标之间的距离用 欧几里得距离 计算。

整数 radius 表示一个塔 能到达最远距离 。如果一个坐标跟塔的距离在 radius 以内,那么该塔的信号可以到达该坐标。在这个范围以外信号会很微弱,所以 radius 以外的距离该塔是 不能到达的

如果第 i 个塔能到达 (x, y) ,那么该塔在此处的信号为 ⌊qi / (1 + d)⌋ ,其中 d 是塔跟此坐标的距离。一个坐标的 信号强度 是所有 能到达 该坐标的塔的信号强度之和。

请你返回数组 [cx, cy] ,表示 信号强度 最大的 整数 坐标点 (cx, cy) 。如果有多个坐标网络信号一样大,请你返回字典序最小的 非负 坐标。

注意:

  • 坐标 (x1, y1) 字典序比另一个坐标 (x2, y2) 小,需满足以下条件之一:
  • 要么 x1 < x2
  • 要么 x1 == x2y1 < y2
  • ⌊val⌋ 表示小于等于 val 的最大整数(向下取整函数)。

 

示例 1:

网络异常,图片无法展示
|

输入: towers = [[1,2,5],[2,1,7],[3,1,9]], radius = 2
输出: [2,1]
解释:
坐标 (2, 1) 信号强度之和为 13
- 塔 (2, 1) 强度参数为 7 ,在该点强度为 ⌊7 / (1 + sqrt(0)⌋ = ⌊7⌋ = 7
- 塔 (1, 2) 强度参数为 5 ,在该点强度为 ⌊5 / (1 + sqrt(2)⌋ = ⌊2.07⌋ = 2
- 塔 (3, 1) 强度参数为 9 ,在该点强度为 ⌊9 / (1 + sqrt(1)⌋ = ⌊4.5⌋ = 4
没有别的坐标有更大的信号强度。
复制代码

示例 2:

输入: towers = [[23,11,21]], radius = 9
输出: [23,11]
解释: 由于仅存在一座信号塔,所以塔的位置信号强度最大。
复制代码

示例 3:

输入: towers = [[1,2,13],[2,1,7],[0,1,9]], radius = 2
输出: [1,2]
解释: 坐标 (1, 2) 的信号强度最大。
复制代码

 

提示:

  • 1 <= towers.length <= 50
  • towers[i].length == 3
  • 0 <= xi, yi, qi <= 50
  • 1 <= radius <= 50

思路分析

因为题中固定说 x <= 50 & y <= 50, 所以创建一个 长宽都为51 的棋盘, 然后枚举所有的点位, 再去进行计算

需要注意的是:

  • 信号塔的位置不一定在数组 towers 中
  • 收不到信号塔信号的点位信号强度为 0
  • 最小信号强度为 0
  • 注意返回最小字典序, 字典序的判断别出错

需要注意的点我踩坑了三个, 感兴趣的可以看一下错误分析

代码展示

class Solution {
    public int[] bestCoordinate(int[][] towers, int radius) {
        int x = 0, y = 0, max = 0;
        // 因为 x,y 最大值是50 所以固定棋盘为 51*51
        for (int i = 0; i < 51; i++) {
            for (int j = 0; j < 51; j++) {
                int[] temp = new int[]{i,j};
                int sum = 0;
                for (int k = 0; k < towers.length; k++) {
                    // 计算当前坐标和信号塔的距离是否大于 redius
                    int[] tower = towers[k];
                    double high = Math.sqrt((tower[0] - temp[0]) * (tower[0] - temp[0]) + (tower[1] - temp[1]) * (tower[1] - temp[1]));
                    // 如果大于, 跳出本次循环
                    if (high > radius){
                        continue;
                    }
                    // 如果不大于, 则计算信号强度, 并 ++
                    sum += (int) (tower[2] / (1 + high));
                }
                // 坐标点为 整数坐标点 且 非负
                if (temp[0] % 1 != 0 || temp[1] % 1 != 0){
                    continue;
                }
                // 如果信号强度相等, 则判断 字典序最小
                if (max == sum){
                    if (x > temp[0]){
                        x = temp[0];
                        y = temp[1];
                    }else if (x == temp[0] && y > temp[1]){
                        x = temp[0];
                        y = temp[1];
                    }
                }else if (sum > max){   // 信号强度大的更换
                    x = temp[0];
                    y = temp[1];
                    max = sum;
                }
            }
        }
        return new int[]{x,y};
    }
}
复制代码

错误分析

No.1

信号强度最小应该为0 , 不应该设置为 Integer.MIN_VALUE

No.2

最开始陷入了 坐标点 放置 信号塔 直接从起点就错了, 信号塔不一定是和坐标重合的

网络异常,图片无法展示
|

此时的代码:

class Solution {
    public int[] bestCoordinate(int[][] towers, int radius) {
        // 返回值
        int[] result = new int[2];
        // 信号强度之和
        Integer max = 0;
        for (int i = 0; i < towers.length; i++) {
            // 假设 temp 坐标就是信号塔的位置
            int[] temp = towers[i];
            // 当前信号塔距离各点位信号强度之和
            int sum = 0;
            for (int j = 0; j < towers.length; j++) {
                // 计算当前坐标和信号塔的距离是否大于 redius
                int[] tower = towers[j];
                double high = Math.sqrt((tower[0] - temp[0]) * (tower[0] - temp[0]) + (tower[1] - temp[1]) * (tower[1] - temp[1]));
                // 如果大于, 跳出本次循环
                if (high > radius){
                    continue;
                }
                // 如果不大于, 则计算信号强度, 并 ++
                sum += (int) (tower[2] / (1 + high));
            }
            // 坐标点为 整数坐标点 且 非负
            if (temp[0] % 1 != 0 || temp[1] % 1 != 0 || temp[0] < 0 || temp[1] < 0){
                continue;
            }
            // 如果信号强度相等, 则判断 字典序最小
            if (max == sum){
                if (result[0] > temp[0]){
                    result[0] = temp[0];
                    result[1] = temp[1];
                }else if (result[1] > temp[1]){
                    result[0] = temp[0];
                    result[1] = temp[1];
                }
            }else if (sum > max){   // 信号强度大的更换
                result[0] = temp[0];
                result[1] = temp[1];
                max = sum;
            }
        }
        return result;
    }
}
复制代码

No.3 - 5

一共一个错, 分别是判断 字典序最小 y坐标 的时候忘记 x== 了, 折腾老半天

网络异常,图片无法展示
|

提交结果

网络异常,图片无法展示
|




目录
相关文章
|
5月前
|
机器学习/深度学习 边缘计算 量子技术
ICML 2024:信号表征指数级强、内存节省超35%,量子隐式表征网络来了
【7月更文挑战第6天】QIREN,量子隐式表征网络,借助量子计算增强信号处理能力,内存效率提升35%以上。该技术旨在改进高频信号建模,提升图像和音频处理任务的性能,同时在资源受限环境下减少内存需求。尽管面临量子技术成熟度和训练复杂性的挑战,QIREN为机器学习开辟了新途径。[论文链接: https://arxiv.org/abs/2406.03873]**
79 3
|
6月前
|
机器学习/深度学习 网络协议 C语言
程序技术好文:网络编程中的SIGPIPE信号
程序技术好文:网络编程中的SIGPIPE信号
133 0
|
6月前
|
机器学习/深度学习 算法 语音技术
基于语音信号MFCC特征提取和GRNN神经网络的人员身份检测算法matlab仿真
**语音识别算法概览** MATLAB2022a中实现,结合MFCC与GRNN技术进行说话人身份检测。MFCC利用人耳感知特性提取语音频谱特征,GRNN作为非线性映射工具,擅长序列学习,确保高效识别。预加重、分帧、加窗、FFT、滤波器组、IDCT构成MFCC步骤,GRNN以其快速学习与鲁棒性处理不稳定数据。适用于多种领域。
【计算机网络】物理链路通信信号
【1月更文挑战第27天】【计算机网络】物理链路通信信号
|
7月前
|
机器学习/深度学习 算法 Serverless
基于信号功率谱特征和GRNN广义回归神经网络的信号调制类型识别算法matlab仿真
基于信号功率谱特征和GRNN广义回归神经网络的信号调制类型识别算法matlab仿真
|
7月前
leetcode-1620:网络信号最好的坐标
leetcode-1620:网络信号最好的坐标
54 0
|
3月前
|
Unix Shell Linux
LeetCode刷题 Shell编程四则 | 194. 转置文件 192. 统计词频 193. 有效电话号码 195. 第十行
本文提供了几个Linux shell脚本编程问题的解决方案,包括转置文件内容、统计词频、验证有效电话号码和提取文件的第十行,每个问题都给出了至少一种实现方法。
LeetCode刷题 Shell编程四则 | 194. 转置文件 192. 统计词频 193. 有效电话号码 195. 第十行
|
4月前
|
Python
【Leetcode刷题Python】剑指 Offer 32 - III. 从上到下打印二叉树 III
本文介绍了两种Python实现方法,用于按照之字形顺序打印二叉树的层次遍历结果,实现了在奇数层正序、偶数层反序打印节点的功能。
62 6
|
4月前
|
搜索推荐 索引 Python
【Leetcode刷题Python】牛客. 数组中未出现的最小正整数
本文介绍了牛客网题目"数组中未出现的最小正整数"的解法,提供了一种满足O(n)时间复杂度和O(1)空间复杂度要求的原地排序算法,并给出了Python实现代码。
124 2
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
280页PDF,全方位评估OpenAI o1,Leetcode刷题准确率竟这么高
【10月更文挑战第24天】近年来,OpenAI的o1模型在大型语言模型(LLMs)中脱颖而出,展现出卓越的推理能力和知识整合能力。基于Transformer架构,o1模型采用了链式思维和强化学习等先进技术,显著提升了其在编程竞赛、医学影像报告生成、数学问题解决、自然语言推理和芯片设计等领域的表现。本文将全面评估o1模型的性能及其对AI研究和应用的潜在影响。
41 1