数组元素的目标和

简介: 数组元素的目标和

数组元素的目标和

给定两个升序排序的有序数组 A 和 B,以及一个目标值 x。

数组下标从 0 开始。

请你求出满足 A[i]+B[j]=x 的数对 (i,j)。

数据保证有唯一解。

输入格式

第一行包含三个整数 n,m,x,分别表示 A 的长度,B 的长度以及目标值 x。

第二行包含 n 个整数,表示数组 A。

第三行包含 m 个整数,表示数组 B。

输出格式

共一行,包含两个整数 i 和 j。

数据范围

数组长度不超过 105。

同一数组内元素各不相同。

1≤数组元素≤109

输入样例:

4 5 6

1 2 4 7

3 4 6 8 9

输出样例:

1 1

提交代码

c++

#include<bits/stdc++.h>
using namespace std;
const int N = 100010;
int n, m;
int x;
int a[N], b[N];
int main()
{
    cin >> n >> m >> x;
    for (int i = 0; i < n; ++ i) cin >> a[i];
    for (int j = 0; j < m; ++ j) cin >> b[j];
    for (int i = 0, j = m - 1; i < n; ++ i) // 双指针算法 设置两个指针i,j 
    // i从前往后走 j从后往前走
    {
        while (j >= 0 && a[i] + b[j] > x) j --; // 首先需要判断一下是否 i,j走出界
                                                // 然后判断一下首尾的元素的和是否大于目标值x
                                                // 如果大于那么j--缩小范围
        if (a[i] + b[j] == x) // 如果等于了 就输出结果
        {
            printf("%d %d\n", i, j);   
            break;
        }
    }
    return 0;
}

java

import java.util.*;
public class Main
{
    public static void main(String[] args)
    {
        Scanner in = new Scanner(System.in);
        int n = in.nextInt();
        int m = in.nextInt();
        int q = in.nextInt();
        int [] a = new int [n + 10];
        int [] b = new int [m + 10];
        for (int i = 0; i < n; ++ i) a[i] = in.nextInt();
        for (int i = 0; i < m; ++ i) b[i] = in.nextInt();
        for (int i = 0, j = m - 1; i < n && j >= 0; ++ i)
        {
            while(j >= 0 && a[i] + b[j] > q) -- j;
            if (a[i] + b[j] == q)
            {
                System.out.println(i + " " + j);
                break;
            }
        }
    }
}


相关文章
|
设计模式 存储 算法
C++从入门到精通:3.7阅读和理解开源项目——在实际项目中应用C++编程技巧和规范
C++从入门到精通:3.7阅读和理解开源项目——在实际项目中应用C++编程技巧和规范
393 0
|
算法 定位技术 C++
A* 算法详解(超级详细讲解,附有大图)
A* 算法详解(超级详细讲解,附有大图)
9008 0
|
算法 C语言
KMP算法详解(理论+C语言代码实现)(上)
KMP算法详解(理论+C语言代码实现)
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
305 164

热门文章

最新文章