较难算法美丽塔时间复杂度O(nlogn)

简介: 较难算法美丽塔时间复杂度O(nlogn)

题目

给你一个长度为 n 下标从 0 开始的整数数组 maxHeights 。你的任务是在坐标轴上建 n 座塔。第 i 座塔的下标为 i ,高度为 heights[i] 。

如果以下条件满足,我们称这些塔是 美丽 的:

1 <= heights[i] <= maxHeights[i]

heights 是一个 山状 数组。

如果存在下标 i 满足以下条件,那么我们称数组 heights 是一个 山状 数组:

对于所有 0 < j <= i ,都有 heights[j - 1] <= heights[j]

对于所有 i <= k < n - 1 ,都有 heights[k + 1] <= heights[k]

请你返回满足 美丽塔 要求的方案中,高度和的最大值

时间复杂度

O(nlogn)

典型样例分析

当i是山顶时,Left[i]记录[0,i]的最大高度和,Right[i]记录[i,n)的最大高度和。

笨办法

由于赛场时间紧,压力大。所以只想到一个笨办法。从小到处理最大高度。下面以Left[i]为例来说明。如果不存在j(0<=j<i)使得maxHeight[j] < maxHeight[i] ,那么[0,i]的高度全为)maxHeight[i],如{5,4,3,2,1};如果只存在唯一的j,则[0,j]高度不变,(j,i]的高度为maxHeight[i],如{3,1,2}。如果存在多个j,以j最大的为准,如{2,1,3}。如果maxHeight[j] == maxHeight[i],则height[j]变和不变的结果都一样。

代码

核心代码

class Solution {
public:
    long long maximumSumOfHeights(vector<int>& maxHeights) {
        m_c = maxHeights.size();
        std::multimap<int, int> mHeightIndex;
        for (int i = 0; i < m_c; i++)
        {
            mHeightIndex.emplace(maxHeights[i], i);
        }
        for (const auto& [h, i] : mHeightIndex)
        {
            {//计算m_mLeft
                auto it = m_mLeft.lower_bound(i);
                if (m_mLeft.begin() == it)
                {
                    m_mLeft[i] = (long long)h * (i + 1);
                }
                else
                {
                    auto pre = std::prev(it);
                    m_mLeft[i] = pre->second + (long long)h * (i - pre->first);
                }
            }
            {//计算m_mRight
                auto it = m_mRight.upper_bound(i);
                if (m_mRight.end() == it)
                {
                    m_mRight[i] = (long long)h * (m_c - i);
                }
                else
                {
                    m_mRight[i] = (long long)it->second + (long long)h * (it->first - i);
                }
            }
        }
        long long llRet = 0;
        for (int i = 0; i < m_c; i++)
        {//假定i是山顶            
            long long llCur = m_mLeft[i] + m_mRight[i] - maxHeights[i];
            llRet = max(llRet, llCur);
        }        
        return llRet;
    }
    int m_c;
    std::map<int, long long> m_mLeft, m_mRight;
};

测试用代码

class CDebug : public Solution
{
public:
    long long maximumSumOfHeights( vector<int>& maxHeights, vector<int>& vLeft, vector<int>& vRight)
    {
        long long llRet = Solution::maximumSumOfHeights(maxHeights);
        for (const auto& it : m_mLeft)
        {
            assert(it.second == vLeft[it.first]);
        }
        for (const auto& it : m_mRight)
        {
            assert(it.second == vRight[it.first]);
        }
        //调试用代码
        std::cout << "Left: ";
        for (int i = 0; i < m_c; i++)
        {
            std::cout << m_mLeft[i] << " ";
        }
        std::cout << std::endl;
        std::cout << "Right: ";
        for (int i = 0; i < m_c; i++)
        {
            std::cout << m_mRight[i] << " ";
        }
        std::cout << std::endl;
        return llRet;
    }
};
int main()
{
    vector < vector<vector<int>>> param = { {{1,2,3,4,5} ,{1,3,6,10,15},{5,8,9,8,5}} ,
        {{5,4,3,2,1},{5,8,9,8,5},{15,10,6,3,1}} ,
        {{1,2,4,3,5},{1,3,7,9,14},{5,8,10,6,5}},
    {{3,1,2}, {3,2,4},{5,2,2}},
    {{2,1,3},{2,2,5},{4,2,3}} };
    for ( auto& vv : param)
    {
        auto res = CDebug().maximumSumOfHeights(vv[0],vv[1],vv[2]);
    }
    //auto res = Solution().maxPalindromes("rire", 3);
//CConsole::Out(res);
}

测试环境

Win10,VS2022 C++17

相关下载

更优解美丽塔O(n)解法单调栈_闻缺陷则喜何志丹的博客-CSDN博客


源码及测试用例

https://download.csdn.net/download/he_zhidan/88370053


其它

视频课程

如果你觉得复杂,想从简单的算法开始,可以学习我的视频课程。

https://edu.csdn.net/course/detail/38771

我的其它课程

https://edu.csdn.net/lecturer/6176

测试环境

win7 VS2019 C++17 或Win10 VS2022 Ck++17

相关下载

算法精讲《闻缺陷则喜算法册》doc版

https://download.csdn.net/download/he_zhidan/88348653

相关文章
|
4月前
|
机器学习/深度学习 缓存 算法
Python算法设计中的时间复杂度与空间复杂度,你真的理解对了吗?
【10月更文挑战第4天】在Python编程中,算法的设计与优化至关重要,尤其在数据处理、科学计算及机器学习领域。本文探讨了评估算法性能的核心指标——时间复杂度和空间复杂度。通过详细解释两者的概念,并提供快速排序和字符串反转的示例代码,帮助读者深入理解这些概念。同时,文章还讨论了如何在实际应用中平衡时间和空间复杂度,以实现最优性能。
113 6
|
6月前
|
机器学习/深度学习 算法 程序员
读《趣学算法》:重开算法之门,时间复杂度与空间复杂度
本文是作者阅读《趣学算法》后的笔记,介绍了算法复杂度的基本概念,包括时间复杂度和空间复杂度的不同阶表示,并通过具体例子展示了如何计算和理解算法的效率。
81 2
读《趣学算法》:重开算法之门,时间复杂度与空间复杂度
|
7月前
|
机器学习/深度学习 存储 算法
颠覆认知!Python算法设计中的时间复杂度与空间复杂度,你真的理解对了吗?
【7月更文挑战第22天】在Python算法设计中,时间与空间复杂度是评估算法效能的核心。时间复杂度不仅限于大O表示法,还涵盖平均与最坏情况分析。空间复杂度虽关注额外存储,但也反映内存效率。平衡二者需视场景而定,如利用原地算法减少内存消耗,或牺牲空间加速执行。算法优化技巧,如分治与动态规划,助你在资源与速度间找寻最优解,从而高效应对大数据挑战。
70 3
|
4月前
|
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。
|
4月前
|
机器学习/深度学习 存储 缓存
数据结构与算法学习十:排序算法介绍、时间频度、时间复杂度、常用时间复杂度介绍
文章主要介绍了排序算法的分类、时间复杂度的概念和计算方法,以及常见的时间复杂度级别,并简单提及了空间复杂度。
88 1
数据结构与算法学习十:排序算法介绍、时间频度、时间复杂度、常用时间复杂度介绍
|
4月前
|
存储 算法
算法的时间复杂度和空间复杂度
本文详细讨论了算法的时间复杂度和空间复杂度,包括它们的概念、计算方法和常见复杂度的对比,并通过多个实例解释了如何计算算法的时间和空间复杂度。
380 0
算法的时间复杂度和空间复杂度
|
5月前
|
算法 Python
震惊!Python 算法设计背后,时间复杂度与空间复杂度的惊天秘密大起底!
在 Python 算法设计中,理解并巧妙运用时间复杂度和空间复杂度的知识,是实现高效、优雅代码的必经之路。通过不断地实践和优化,我们能够在这两个因素之间找到最佳的平衡点,创造出性能卓越的程序。
62 4
|
4月前
|
算法 C语言
深入理解算法效率:时间复杂度与空间复杂度
深入理解算法效率:时间复杂度与空间复杂度
|
6月前
|
机器学习/深度学习 存储 算法
算法时间复杂度分析
这篇文章讲解了如何分析算法的时间复杂度,包括关注循环执行次数最多的代码段、总复杂度的确定、嵌套代码复杂度的计算方法,并提供了大O阶的推导步骤和常见时间复杂度的列表,同时还介绍了空间复杂度的概念及其重要性。
|
6月前
|
搜索推荐
九大排序算法时间复杂度、空间复杂度、稳定性
九大排序算法的时间复杂度、空间复杂度和稳定性,提供了对各种排序方法效率和特性的比较分析。
261 1