【动态规划】【矩阵】C++算法329矩阵中的最长递增路径

简介: 【动态规划】【矩阵】C++算法329矩阵中的最长递增路径

作者推荐

视频算法专题

本文涉及知识点

动态规划汇总

题目

给定一个 m x n 整数矩阵 matrix ,找出其中 最长递增路径 的长度。

对于每个单元格,你可以往上,下,左,右四个方向移动。 你 不能 在 对角线 方向上移动或移动到 边界外(即不允许环绕)。

示例 1:

输入:matrix = [[9,9,4],[6,6,8],[2,1,1]]

输出:4

解释:最长递增路径为 [1, 2, 6, 9]。

示例 2:

输入:matrix = [[3,4,5],[3,2,6],[2,2,1]]

输出:4

解释:最长递增路径是 [3, 4, 5, 6]。注意不允许在对角线方向上移动。

示例 3:

输入:matrix = [[1]]

输出:1

提示:

m == matrix.length

n == matrix[i].length

1 <= m, n <= 200

0 <= matrix[i][j] <= 231 - 1

动态规划

时间复杂度: O(nmlog(nm))。

一,将行列压缩成一维。m_c*r+c。

二,建立图论的临接表。两个节点4连接,值小的指向值大的。

三,从值大的到值小的动态规划。

动态规划的细节,方便检查

动态规划的状态表示 dp[i]记录当前节点为起点的最长路径长度
动态规划的转移方程 1+ max(dp[j]) j 是邻接表的节点
动态规划的初始状态 无需初始化,所有节点都会处理。
动态规划的填表顺序 从值大到值小处理,,确保动态规划的无后效性
动态规划的返回值 dp的最大值

注意:最小值不一定是最大长度。比如:

1 9 2
9 4 3

1只能1->9

2可以2->3->4

代码

核心代码

class CEnumGridEdge
{
public:
  void Init()
  {
    for (int r = 0; r < m_r; r++)
    {
      for (int c = 0; c < m_c; c++)
      {
        Move(r, c, r + 1, c);
        Move(r, c, r - 1, c);
        Move(r, c, r, c + 1);
        Move(r, c, r, c - 1);
      }
    }
  }
protected:
  CEnumGridEdge(int r, int c) :m_r(r), m_c(c)
  {
    
  }
  void Move(int preR, int preC, int r, int c)
  {
    if ((r < 0) || (r >= m_r))
    {
      return;
    }
    if ((c < 0) || (c >= m_c))
    {
      return;
    }
    OnEnumEdge(preR, preC, r, c);
  };
  virtual void OnEnumEdge(int preR, int preC, int r, int c) = 0;
const int m_r, m_c;
};
class CMatToNeibo : public CEnumGridEdge
{
public:
  CMatToNeibo(const vector<vector<int>>& matrix) :CEnumGridEdge(matrix.size(), matrix[0].size()), m_mat(matrix), m_NodeCount(m_r* m_c), m_vNeiBo(m_NodeCount)
  {
    for (int r = 0; r < m_r; r++)
    {
      for (int c = 0; c < m_c; c++)
      {
        m_mValueToIndex.emplace(matrix[r][c], m_c * r + c);
      }
    }
  }
  int Do()
  {
    Init();
    vector<int> dp(m_NodeCount);
    for (const auto& [_tmp, inx] : m_mValueToIndex)
    {
      int iMax = 0;
      for (const auto& next : m_vNeiBo[inx])
      {
        iMax = max(iMax, dp[next]);
      }
      dp[inx] = iMax + 1;
    }
    return *std::max_element(dp.begin(),dp.end());
  }
  const int m_NodeCount;
  vector<vector<int>> m_vNeiBo;
  const vector<vector<int>>& m_mat;
  std::multimap<int, int, greater<>> m_mValueToIndex;
protected:
  virtual void OnEnumEdge(int preR, int preC, int r, int c)
  {
    if (m_mat[preR][preC] < m_mat[r][c])
    {
      m_vNeiBo[m_c * preR + preC].emplace_back(m_c * r + c);
    }
  }
};
class Solution {
public:
  int longestIncreasingPath(vector<vector<int>>& matrix) {
    CMatToNeibo mn(matrix);
    return mn.Do();
  }
};

2023年1月

class Solution {

public:

int longestIncreasingPath(vector<vector>& matrix) {

m_r = matrix.size();

m_c = matrix[0].size();

m_dp.assign(m_r, vector(m_c, -1));

std::map<int,vector<pair<int,int>>> mVRC;

for (int r = 0; r < m_r; r++)

{

for (int c = 0; c < m_c; c++)

{

mVRC[matrix[r][c]].emplace_back(r, c);

}

}

for (auto& it : mVRC)

{

for (auto& rc : it.second)

{

m_dp[rc.first][rc.second] = Test(matrix, rc.first, rc.second);

}

}

int iMax = 0;

for (int r = 0; r < m_r; r++)

{

for (int c = 0; c < m_c; c++)

{

iMax = max(iMax, m_dp[r][c]);

}

}

return iMax;

}

int Test(const vector<vector>& matrix,int r, int c)

{

int iMax = 0;

if ((r > 0) && (matrix[r][c] > matrix[r - 1][c]))

{

iMax = max(iMax,m_dp[r-1][c] );

}

if ((r +1 < m_r ) && (matrix[r][c] > matrix[r + 1][c]))

{

iMax = max(iMax, m_dp[r + 1][c]);

}

if ((c > 0) && (matrix[r][c] > matrix[r][c-1]))

{

iMax = max(iMax, m_dp[r][c-1]);

}

if ((c + 1 < m_c) && (matrix[r][c] > matrix[r][c + 1]))

{

iMax = max(iMax, m_dp[r][c + 1]);

}

return iMax + 1;

}

int m_r;

int m_c;

vector<vector> m_dp;

};

2023年8月

class Solution {

public:

int longestIncreasingPath(vector<vector>& matrix) {

m_r = matrix.size();

m_c = matrix.front().size();

m_iMaskNum = m_r * m_c;

//生成邻接表

vector<vector> vNeiBo(m_iMaskNum);

vector vInDeg(m_iMaskNum);

for (int r = 0; r < m_r; r++)

{

for (int c = 0; c < m_c; c++)

{

auto Add = [this,&matrix, &vNeiBo,&vInDeg](int curMask, int curValue, int r, int c)

{

if ((r < 0) || (r >= m_r))

{

return;

}

if ((c < 0) || (c >= m_c))

{

return;

}

if (curValue > matrix[r][c])

{

vNeiBo[r * m_c + c].emplace_back(curMask);

vInDeg[curMask]++;

}

};

Add(r * m_c + c, matrix[r][c], r + 1, c);

Add(r * m_c + c, matrix[r][c], r - 1, c);

Add(r * m_c + c, matrix[r][c], r, c + 1);

Add(r * m_c + c, matrix[r][c], r, c - 1);

}

}

//top排序

queue que;

vector vLen(m_iMaskNum, 0);

for (int i = 0; i < m_iMaskNum; i++)

{

if (0 == vInDeg[i])

{

que.emplace(i);

vLen[i] = 1;

}

}

while (que.size())

{

const int cur = que.front();

que.pop();

for (const auto& next : vNeiBo[cur])

{

if (–vInDeg[next] == 0)

{

vLen[next] = vLen[cur] + 1;

que.emplace(next);

}

}

}

return *std::max_element(vLen.begin(), vLen.end());

}

int m_r;

int m_c;

int m_iMaskNum;

};


相关文章
|
12月前
|
机器学习/深度学习 存储 算法
动态规划算法深度解析:0-1背包问题
0-1背包问题是经典的组合优化问题,目标是在给定物品重量和价值及背包容量限制下,选取物品使得总价值最大化且每个物品仅能被选一次。该问题通常采用动态规划方法解决,通过构建二维状态表dp[i][j]记录前i个物品在容量j时的最大价值,利用状态转移方程避免重复计算子问题,从而高效求解最优解。
1055 1
|
存储 监控 算法
基于 C++ 哈希表算法实现局域网监控电脑屏幕的数据加速机制研究
企业网络安全与办公管理需求日益复杂的学术语境下,局域网监控电脑屏幕作为保障信息安全、规范员工操作的重要手段,已然成为网络安全领域的关键研究对象。其作用类似网络空间中的 “电子眼”,实时捕获每台电脑屏幕上的操作动态。然而,面对海量监控数据,实现高效数据存储与快速检索,已成为提升监控系统性能的核心挑战。本文聚焦于 C++ 语言中的哈希表算法,深入探究其如何成为局域网监控电脑屏幕数据处理的 “加速引擎”,并通过详尽的代码示例,展现其强大功能与应用价值。
289 2
|
存储 算法 C++
Windows共享文件:探秘C++实现的B树索引算法奇境
在数字化时代,Windows共享文件的高效管理至关重要。B树算法以其自平衡多路搜索特性,在文件索引与存储优化中表现出色。本文探讨B树在Windows共享文件中的应用,通过C++实现具体代码,展示其构建文件索引、优化数据存储的能力,提升文件检索效率。B树通过减少磁盘I/O操作,确保查询高效,为企业和个人提供流畅的文件共享体验。
|
存储 负载均衡 算法
基于 C++ 语言的迪杰斯特拉算法在局域网计算机管理中的应用剖析
在局域网计算机管理中,迪杰斯特拉算法用于优化网络路径、分配资源和定位故障节点,确保高效稳定的网络环境。该算法通过计算最短路径,提升数据传输速率与稳定性,实现负载均衡并快速排除故障。C++代码示例展示了其在网络模拟中的应用,为企业信息化建设提供有力支持。
448 15
|
运维 监控 算法
解读 C++ 助力的局域网监控电脑网络连接算法
本文探讨了使用C++语言实现局域网监控电脑中网络连接监控的算法。通过将局域网的拓扑结构建模为图(Graph)数据结构,每台电脑作为顶点,网络连接作为边,可高效管理与监控动态变化的网络连接。文章展示了基于深度优先搜索(DFS)的连通性检测算法,用于判断两节点间是否存在路径,助力故障排查与流量优化。C++的高效性能结合图算法,为保障网络秩序与信息安全提供了坚实基础,未来可进一步优化以应对无线网络等新挑战。
|
存储 算法 数据处理
公司局域网管理中的哈希表查找优化 C++ 算法探究
在数字化办公环境中,公司局域网管理至关重要。哈希表作为一种高效的数据结构,通过哈希函数将关键值(如IP地址、账号)映射到数组索引,实现快速的插入、删除与查找操作。例如,在员工登录验证和设备信息管理中,哈希表能显著提升效率,避免传统线性查找的低效问题。本文以C++为例,展示了哈希表在局域网管理中的具体应用,包括设备MAC地址与IP分配的存储与查询,并探讨了优化哈希函数和扩容策略,确保网络管理高效准确。
|
监控 算法 数据处理
基于 C++ 的 KD 树算法在监控局域网屏幕中的理论剖析与工程实践研究
本文探讨了KD树在局域网屏幕监控中的应用,通过C++实现其构建与查询功能,显著提升多维数据处理效率。KD树作为一种二叉空间划分结构,适用于屏幕图像特征匹配、异常画面检测及数据压缩传输优化等场景。相比传统方法,基于KD树的方案检索效率提升2-3个数量级,但高维数据退化和动态更新等问题仍需进一步研究。未来可通过融合其他数据结构、引入深度学习及开发增量式更新算法等方式优化性能。
350 17
|
存储 机器学习/深度学习 算法
基于 C++ 的局域网访问控制列表(ACL)实现及局域网限制上网软件算法研究
本文探讨局域网限制上网软件中访问控制列表(ACL)的应用,分析其通过规则匹配管理网络资源访问的核心机制。基于C++实现ACL算法原型,展示其灵活性与安全性。文中强调ACL在企业与教育场景下的重要作用,并提出性能优化及结合机器学习等未来研究方向。
365 4
|
存储 监控 算法
基于跳表数据结构的企业局域网监控异常连接实时检测 C++ 算法研究
跳表(Skip List)是一种基于概率的数据结构,适用于企业局域网监控中海量连接记录的高效处理。其通过多层索引机制实现快速查找、插入和删除操作,时间复杂度为 $O(\log n)$,优于链表和平衡树。跳表在异常连接识别、黑名单管理和历史记录溯源等场景中表现出色,具备实现简单、支持范围查询等优势,是企业网络监控中动态数据管理的理想选择。
328 0
|
存储 算法 Java
算法系列之动态规划
动态规划(Dynamic Programming,简称DP)是一种用于解决复杂问题的算法设计技术。它通过将问题分解为更小的子问题,并存储这些子问题的解来避免重复计算,从而提高算法的效率。
573 4
算法系列之动态规划

热门文章

最新文章