【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
|
15天前
|
机器学习/深度学习 算法 C++
【DFS/回溯算法】2016年蓝桥杯真题之路径之谜详解
题目要求根据城堡北墙和西墙箭靶上的箭数,推断骑士从西北角到东南角的唯一路径。每步移动时向正北和正西各射一箭,同一格不重复经过。通过DFS回溯模拟“拔箭”过程,验证路径合法性。已知箭数约束路径唯一,最终按编号输出行走顺序。
|
16天前
|
传感器 机器学习/深度学习 编解码
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
127 3
|
29天前
|
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。
263 1
|
16天前
|
机器学习/深度学习 传感器 算法
【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪(Matlab代码实现)
【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪(Matlab代码实现)
|
26天前
|
机器学习/深度学习 传感器 算法
基于全局路径的无人地面车辆的横向避让路径规划研究[蚂蚁算法求解](Matlab代码实现)
基于全局路径的无人地面车辆的横向避让路径规划研究[蚂蚁算法求解](Matlab代码实现)
110 8
|
26天前
|
算法 数据挖掘 区块链
基于遗传算法的多式联运车辆路径网络优优化研究(Matlab代码实现)
基于遗传算法的多式联运车辆路径网络优优化研究(Matlab代码实现)
|
29天前
|
存储 算法 数据可视化
基于禁忌搜索算法的TSP问题最优路径搜索matlab仿真
本程序基于禁忌搜索算法解决旅行商问题(TSP),旨在寻找访问多个城市的最短路径。使用 MATLAB 2022A 编写,包含城市坐标生成、路径优化及结果可视化功能。通过禁忌列表、禁忌长度与藐视准则等机制,提升搜索效率与解的质量,适用于物流配送、路径规划等场景。
|
1月前
|
机器学习/深度学习 传感器 算法
基于matlab瞬态三角哈里斯鹰算法TTHHO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)(Matlab代码实现)
基于matlab瞬态三角哈里斯鹰算法TTHHO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)(Matlab代码实现)
|
21天前
|
算法 数据可视化 异构计算
【车辆路径问题VRPTW】基于北极海鹦优化(APO)算法求解带时间窗的车辆路径问题VRPTW研究(Matlab代码实现)
【车辆路径问题VRPTW】基于北极海鹦优化(APO)算法求解带时间窗的车辆路径问题VRPTW研究(Matlab代码实现)
151 0
|
21天前
|
存储 编解码 算法
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)

热门文章

最新文章