【动态规划】【 数学】C++算法:514自由之路

简介: 【动态规划】【 数学】C++算法:514自由之路

作者推荐

视频算法专题

本文涉及知识点

动态规划汇总

数学

力扣514 自由之路

电子游戏“辐射4”中,任务 “通向自由” 要求玩家到达名为 “Freedom Trail Ring” 的金属表盘,并使用表盘拼写特定关键词才能开门。

给定一个字符串 ring ,表示刻在外环上的编码;给定另一个字符串 key ,表示需要拼写的关键词。您需要算出能够拼写关键词中所有字符的最少步数。

最初,ring 的第一个字符与 12:00 方向对齐。您需要顺时针或逆时针旋转 ring 以使 key 的一个字符在 12:00 方向对齐,然后按下中心按钮,以此逐个拼写完 key 中的所有字符。

旋转 ring 拼出 key 字符 key[i] 的阶段中:

您可以将 ring 顺时针或逆时针旋转 一个位置 ,计为1步。旋转的最终目的是将字符串 ring 的一个字符与 12:00 方向对齐,并且这个字符必须等于字符 key[i] 。

如果字符 key[i] 已经对齐到12:00方向,您需要按下中心按钮进行拼写,这也将算作 1 步。按完之后,您可以开始拼写 key 的下一个字符(下一阶段), 直至完成所有拼写。

示例 1:

输入: ring = “godding”, key = “gd”

输出: 4

解释:

对于 key 的第一个字符 ‘g’,已经在正确的位置, 我们只需要1步来拼写这个字符。

对于 key 的第二个字符 ‘d’,我们需要逆时针旋转 ring “godding” 2步使它变成 “ddinggo”。

当然, 我们还需要1步进行拼写。

因此最终的输出是 4。

示例 2:

输入: ring = “godding”, key = “godding”

输出: 13

提示:

1 <= ring.length, key.length <= 100

ring 和 key 只包含小写英文字母

保证 字符串 key 一定可以由字符串 ring 旋转拼出

动态规划

** 时间复杂度 ** : O(nmm) n=key.length m等于一个字符在ring中出现的次数。

三层循环:

一层循环枚举key的字符。

二层循环当前字符的位置。

三层循环前一个字符的位置。

两个表盘位置,逆时针和顺时针最少需要转动的次数。

iMin=min(i1,i2) iMax = max(i1,i2)

min(iMax-iMin,iMin+ring.length-iMax)

动态规划的细节,方便检查

动态规划的状态表示 pre中的元素{prePos,preSetp} 按完上一个字符后,金属盘所在的位置和需要步数。
动态规划的转移方程 枚举当前字符位置和前一字符位置,计算最小值
动态规划的初始状态 {0,0}
动态规划的填表顺序 key从前到后处理,确保动态规划的无后效性
动态规划的返回值 max(preStep)

代码

核心代码

class Solution {
public:
  int findRotateSteps(string ring, string key) {
    vector<vector<int>> vCharIndexs(26);
    for (int i = 0; i < ring.length(); i++)
    {
      vCharIndexs[ring[i] - 'a'].emplace_back(i);
    }
    vector<pair<int, int>> pre;
    pre.emplace_back(0, 0);
    for (const auto& ch : key)
    {
      vector<pair<int, int>> dp;
      const auto& cur = vCharIndexs[ch - 'a'];
      for (const auto& curPos : cur)
      {
        int curStep = INT_MAX;
        for (const auto [prePos, step] : pre)
        {
          const int iMin = min(prePos, curPos), iMax = max(prePos, curPos); 
          curStep = min(curStep, step + 1 +  min(iMax - iMin, iMin + (int)ring.length() - iMax));
        }
        dp.emplace_back(curPos, curStep);
      }
      pre.swap(dp);
    }
    int iRet = INT_MAX;
    for (const auto [prePos, step] : pre)
    {
      iRet = min(iRet, step);
    }
    return iRet;
  }
};

测试用例

template<class T>
void Assert(const T& t1, const T& t2)
{
  assert(t1 == t2);
}
template<class T>
void Assert(const vector<T>& v1, const vector<T>& v2)
{
  if (v1.size() != v2.size())
  {
    assert(false);
    return;
  }
  for (int i = 0; i < v1.size(); i++)
  {
    Assert(v1[i], v2[i]);
  }
}
int main()
{
  string ring,  key;
  {
    Solution sln;
    ring = "godding", key = "gd";
    auto res = sln.findRotateSteps(ring, key);
    Assert(4, res);
  }
  {
    Solution sln;
    ring = "godding", key = "godding";
    auto res = sln.findRotateSteps(ring, key);
    Assert(13, res);
  }
  
    
}

2023年1月版

class Solution {

public:

int findRotateSteps(string ring, string key) {

std::unordered_map<char, vector> mCharPos;

for (int i = 0; i < ring.length(); i++)

{

mCharPos[ring[i]].push_back(i);

}

std::unordered_map<int,int> vPrePosOpeNum;//当前位置及最少操作次数

vPrePosOpeNum[0] = 0;

for (const char& ch : key)

{

std::unordered_map<int, int> vPosOpeNum;

for (const auto& pos : mCharPos[ch])

{

for (const auto& prePos : vPrePosOpeNum)

{

//大的减小的

int iMove = abs(prePos.first - pos);

iMove = min(iMove,min(prePos.first, pos) + (int)ring.length() - max(prePos.first, pos));

const int iOpeNum = iMove + prePos.second + 1;

if (vPosOpeNum.count(pos))

{

vPosOpeNum[pos] = min(vPosOpeNum[pos], iOpeNum);

}

else

{

vPosOpeNum[pos] = iOpeNum;

}

}

}

vPrePosOpeNum.swap(vPosOpeNum);

}

int iMin = INT_MAX;

for (const auto& prePos : vPrePosOpeNum)

{

iMin = min(iMin, prePos.second);

}

return (INT_MAX == iMin) ? -1 : iMin;

}

};


相关文章
|
1月前
|
算法 Python
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果;贪心算法在每一步选择局部最优解,追求全局最优;动态规划通过保存子问题的解,避免重复计算,确保全局最优。这三种算法各具特色,适用于不同类型的问题,合理选择能显著提升编程效率。
49 2
|
2月前
|
算法
动态规划算法学习三:0-1背包问题
这篇文章是关于0-1背包问题的动态规划算法详解,包括问题描述、解决步骤、最优子结构性质、状态表示和递推方程、算法设计与分析、计算最优值、算法实现以及对算法缺点的思考。
99 2
动态规划算法学习三:0-1背包问题
|
2月前
|
算法
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
这篇文章介绍了动态规划算法中解决最大上升子序列问题(LIS)的方法,包括问题的描述、动态规划的步骤、状态表示、递推方程、计算最优值以及优化方法,如非动态规划的二分法。
79 0
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
|
2月前
|
算法
动态规划算法学习二:最长公共子序列
这篇文章介绍了如何使用动态规划算法解决最长公共子序列(LCS)问题,包括问题描述、最优子结构性质、状态表示、状态递归方程、计算最优值的方法,以及具体的代码实现。
167 0
动态规划算法学习二:最长公共子序列
|
2月前
|
存储 算法 C++
高精度算法(加、减、乘、除,使用c++实现)
高精度算法(加、减、乘、除,使用c++实现)
667 0
高精度算法(加、减、乘、除,使用c++实现)
|
2月前
|
算法 数据处理 C++
c++ STL划分算法;partition()、partition_copy()、stable_partition()、partition_point()详解
这些算法是C++ STL中处理和组织数据的强大工具,能够高效地实现复杂的数据处理逻辑。理解它们的差异和应用场景,将有助于编写更加高效和清晰的C++代码。
43 0
|
2月前
|
存储 算法
动态规划算法学习一:DP的重要知识点、矩阵连乘算法
这篇文章是关于动态规划算法中矩阵连乘问题的详解,包括问题描述、最优子结构、重叠子问题、递归方法、备忘录方法和动态规划算法设计的步骤。
157 0
|
2月前
|
存储 算法 决策智能
【算法】博弈论(C/C++)
【算法】博弈论(C/C++)
|
2月前
|
存储 算法 C++
【算法】哈希映射(C/C++)
【算法】哈希映射(C/C++)
|
2月前
|
机器学习/深度学习 人工智能 算法
【算法】最长公共子序列(C/C++)
【算法】最长公共子序列(C/C++)
下一篇
DataWorks