【动态规划】【数学】【C++算法】18赛车

简介: 【动态规划】【数学】【C++算法】18赛车

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

LeetCode818赛车

你的赛车可以从位置 0 开始,并且速度为 +1 ,在一条无限长的数轴上行驶。赛车也可以向负方向行驶。赛车可以按照由加速指令 ‘A’ 和倒车指令 ‘R’ 组成的指令序列自动行驶。

当收到指令 ‘A’ 时,赛车这样行驶:

position += speed

speed *= 2

当收到指令 ‘R’ 时,赛车这样行驶:

如果速度为正数,那么speed = -1

否则 speed = 1

当前所处位置不变。

例如,在执行指令 “AAR” 后,赛车位置变化为 0 --> 1 --> 3 --> 3 ,速度变化为 1 --> 2 --> 4 --> -1 。

给你一个目标位置 target ,返回能到达目标位置的最短指令序列的长度。

示例 1:

输入:target = 3

输出:2

解释:

最短指令序列是 “AA” 。

位置变化 0 --> 1 --> 3 。

示例 2:

输入:target = 6

输出:5

解释:

最短指令序列是 “AAARA” 。

位置变化 0 --> 1 --> 3 --> 7 --> 7 --> 6 。

提示:

1 <= target <= 104

这题太难了,反复看各位大佬的题解。结合自己的思考,总结出适合中国人理解的解法。

由于空格消失,故用_代替。

原理

令S=Ak1RAk2…Rkn 表示dp[x]的最短指令序列,x的取值范围(0,target]。An 代替n个A,n可以为0。定义S1,S2,S4,使得 S == Rk1+S1 S == Rk1R + S2 S == Ak1RAk2R+S4 。dp[x]的含义:当前速度为1,向当前方向行驶x的最短指令序列的长度。

S有如下性质:

一,一定不会以R结尾。假定以R结尾,删除它。距离不变。

二,一定不会以R开头。 否则删除RAk1R ,再在末尾增加 RRAk1或RAk1,指令长度不变或变短。

三,ki的i为奇数,则是正方向;i为偶数,则是反方向。如果x1和x2奇偶性相同,则交换kx1和kx2,行驶的路程不变。对奇数ki按降序排序,对偶数ki按降序排序。

四,x1和x2奇偶性不同。则kx1一定不等于kx2,否则通过性质三,移到最后然后删除。

五,x1和x2奇偶性不同。kx1>=3 ,则kx1一定不等于kx2+1,否则kx1变kx2,kx2变0使得,末尾加RA或RRA。

六,如果ki>=4,则ki顶多出现一次。否则将第一个Aki变成Aki+1,第二个Aki删除,末尾追加RRA或RA。

七,如果ki等于1。则最多出现2次。否则将三个A,变成A2 A0 A0。3个字符变2个字符。

八,如果ki等于2。则最多出现2次。否则将三个AA 变成A^3 A A。6个字符变5个字符。

九,如果ki等于3。则最多出现2次。否则将三个AAA变成,A^4 A^2 A^2。9个字符变8个字符。

十,如果x+1等于2k,则最短指令就是Ak。每一步都是最大加速,最大移动距离。

十一,假定某段指令的k1为x,则此指令的最大行驶距离vMaxDis(x)为(正方向全部选择,负方向全部不选择):

x == 0,最大行驶距离0。

x== 1,2个A最大行驶距离为2。

x== 2,当有两个AA时,不会再有A,故最大行驶距离为6。AA_AA_ A -> AAA 5个字符变3个字符。只能AA A_A 行程5,AA_AA 行程6。
x== 3 当两个AAA存在时,不会存在A或AA,最大行驶距离:14。AAA
AAA_ A => AAAA 7个字符变4个字符 AAA _AAA AA => AAAA A A 8个字符变6个字符。2个AAA的行程是14。其它组合不会超过14。
x==4 1个A
AA …Ax 。和为:Sumi = 1 : x _{i=1}^{:x}i=1:x(2i-1) = Sumi = 1 : x _{i=1}^{:x}i=1:x(2i)-x = 2^(x+1)-2- x 。A _AA AAA 做特殊处理,删除A AA _AAA ,加上14,即 - 11+14 , 2^(x+1)-2- x+3= 2(x+1) - x +1

十二,假定某段指令的k1为x,则k2的最大值为vK2Max(k1):

根据性质四,k2一定不等于k1。

根据性质五,如果x>=3,则k2一定不是x-1,也不是x+1。

如果x >= 3,k2>=x+2 无论如何都会让行驶的距离为负

k1行驶的路程-k2行驶的路径+ vMaxDis(k1) = 2k1-2^(k1+2) + 2(k1+1)-k1+1 = -2k1-k1 + 1 路程恒定为负,淘汰。

综上所述:x>=3 k2的最大值为x-2。

k1为0,无意义。

k1为1,k2最大为0;如果k2为1,和k1抵消;如果k2为2,则行驶的总距离一定为负。

k1为2,k2可以为1。h1为2时,最大正方向为6。h2为3的话,负方向至少为7。总行程必定为负。故h2最大为1。

h2一定小于h1

十三:假定某段指令的k1为x,则最小行驶距离vMinDis(x)(除k1外,正方向全部不选,负方向全选)为

故:vMinDis(x) = 2x-1 - vMaxDis(vK2Max(x))

vMinDis的计算值大于实际值,动态规划时可能会有遗漏造成错误。小于实际值,只会多计算几次,不会造成错误。故为了简化问题:令vMinDis(1)和vMinDis(2)等于0。

实现

初始化时计算vK1,如果vK1[x]记录符合以下条件的k1。vMinDis(k1) <= x 且vMaxDis(k1)>=x。

动态规划的状态表示,则初始速度为1,向当前方向行驶x的最短指令流为dp[x]。动态规划的初始值dp[0]=0。

动态规划的填表顺序:

第一层循环: 从1到大枚举x。

第二层循环:枚举可能k1。

第三层循环: 枚举可能的k2。

动态规划的返回值:dp.back()。

难点 dp[x]的x必须在区间[0,x)

动态规划的转移方程

根据上面的十余条性能,可以淘汰很多指令系列。我们只需要计算dp[x],x取值范围[1,target]如果无法表示此范围的行程,也淘汰掉。

由于是从小到大计算x,转移方程中用到的dp[y] ,y的取值范围必须是[0,x),否则无法保证无后效性。

则 S1 行驶的路程为: x - (2k1-1)

S2 行驶的路程为:y = (2k1-1) - x

如果y == 0 , 直达 dp[x] = k1

如果 y 取值[0,x) dp[x] = k+1 + dp[y] 如果S2有更短的指令,替换S2,则S更短

如果 y >= x , 抛弃,见下面的证明一。

如果y < 0

枚举h2,已证明h2 >=0 且 h2 < h1。

令y1是S4行驶的总路程。

令y1 =x - ( 2k1-1)+ (2k2-1) = x - 2k1+2k2

由于k1 > k2 ,所以 y1 < x

y < 0 ==>> x - 2k1+1 > 0

k2的最小值为0,故2k2的最小值为1 故 y1 > 0 。

由于y1取值范围(0,x) 无法到x,故h3必定存在。

可以这样理解:向前走了一段没到目标,向后走了一段(小于向前的距离,且大于等于0)。必定不会到达目标,也不会回到起点。

dp[y1]对应的指令串就是S4,否则替换S4,S会变短。

证明一:2k1-1 != 2x。
如果两者相等,则直接用S2代码代替S,更短。
证明二:2k1-1 不大于 2
x。

假定2k1-1 > 2x 也就是2k1-1 >= 2x +1 ==>>> 2k1 >= 2*(x+1) ===>>> 2k-1 >= x+1 式子一

以Ak2开头的S2,必须能等于 2k1-1 - x ,

a,k1 >= 4 假设一

根据性质五,h2 <= k1-2

S2的最大路程为:

2(x+1) - x +1

将k1-2 代替x

2k1-1- (k1-2)+1 = 2k1-1-k1+3

假定S2的最大路程能>=y:

2k1-1-k1+3 >= 2k1-1 - x

-k1+3 >= 2k-1 -1 - x

x+4 >= 2k-1 +k1 假设二

式子一和假设一

===>>> 2k-1 +k1 >= x+5 ==>>> 2k-1 +k1 > x+4 ==》 x+4 < 2k-1 +k1 式子二

假设二和式子二矛盾

b:k1 <= 3

k1等于0,总路程小于等于0,无意义。

k1等于1,k2为0。h2 h4 h6是递减的,如果h2为0,则h2 h4 h6…全部为0,也就是没有返程。没有返程意味者k1走的路程 <= x。

k1等于2,k2为1。k1的路程为3,只有当x1=1,才符合3>2*x。x=1的时候,最短距离是A。显然k1不等于2。h2为0同上。

k1等于3,k1的路程为7,只有x等于1 2 3 才符合,最短串分别为 A ARRA(或AARA) AA 。 k1都不为3。

代码

class Solution {
public:
  int racecar(int target) {
    auto K2Max = [](int k1)
    {
      static vector<int> v = { 0,0,1 };
      return k1 >= v.size() ? k1 - 2 : v[k1];
    };
    vector<int> vMaxDis = { 0 } ,vMinDis = { 0 };
    for (int k1 = 1; ; k1++)
    {
      int iMax = (1 << (k1 + 1)) - 2 - k1 ;
      if (1 == k1)
      {
        iMax += 1;
      }
      else if(2 == k1)
      {
        iMax += 4;
      }
      else
      {
        iMax += 11;
      }
      const int iMin = (1 << k1) - 1 - vMaxDis[K2Max(k1)];
      if (iMin > 10000)
      {
        break;
      }
      vMaxDis.emplace_back(iMax);
      vMinDis.emplace_back(iMin);
    }
    vector<vector<int>> vK1(target + 1);
    for (int i = 1; i < vMaxDis.size(); i++)
    {
      for (int x = max(1, vMinDis[i]); x <= min(target, vMaxDis[i]); x++)
      {
        vK1[x].emplace_back(i);
      }
    }
    vector<int> dp(target + 1, 100'000);
    dp[0] = 0;
    for (int x = 1; x <= target; x++)
    {
      for (const auto& k1 : vK1[x])
      {
        const int iRemain = (1 << k1) - 1 - x;
        if ( 0 == iRemain )
        {
          dp[x] = k1;//只有k1
          break;
        }
        if (iRemain > 0)
        { 
          if (iRemain < x)
          {
            dp[x] = min(dp[x], k1 + 1 + dp[iRemain]);//超出部分
          }
          continue;
        }
        for (int k2 = 0; k2 <= K2Max(k1); k2++)
        {
          const int iNewX = x - (1 << k1) + (1 << k2);//iNew为0,有k2无k3
          if (iNewX < 0)
          {
            assert(false);
          }
          else
          {
            dp[x] = min(dp[x], k1 + k2 + 1 + (0 != iNewX) + dp[iNewX]);
          }
        }
      }
    }
    return dp.back();
  }
};

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()
{ 
  {
    Solution sln;
    vector<int> ans = { 1,4,2,5,7,5,3,6,8,7,10,7,9,6,4,7,9,8,11,12,10,9,12,9,11,13,11,8,10,7,5,8,10,9,12
              ,13,11,10,13,15,14,15,13,14,12,11,14,11,13,16,14,17,14,15,13,10,12,14,12,9,11,8,
              6,9,11,10,13,14,12,11,14,16,15,16,14,15,13,12,15,17,16,19,19,18,17,18,16,18,18,17,15,16,14,13,16,13,15,18,16,19
    };
    for (int i = 0; i < 100; i++)
    {
      auto res = sln.racecar(i + 1);
      Assert(res, ans[i]);
    }   
  }
  {
    Solution sln;
    vector<int> ans = { 45, 43, 40, 41, 43, 42, 44, 43, 44, 42, 39, 40, 42, 41, 38, 39, 37, 34, 36, 39, 37, 40, 42, 40, 38, 41, 43
      , 42, 45, 42, 44, 41, 39, 42, 44, 43, 46, 47, 45, 44, 47, 44, 46, 48, 46, 43, 45, 42, 40, 43, 45, 44, 47, 48, 46, 45, 48, 50, 49, 50, 48, 49, 47, 46, 49, 46, 48, 51, 49, 52, 49, 50, 48, 45, 47, 49, 47, 44, 46, 43,
      41, 44, 46, 45, 48, 49, 47, 46, 49, 51, 50, 51, 49, 50, 48, 47, 50, 52, 51, 54 };
    for (int i = 0; i < 100; i++)
    {
      auto res = sln.racecar(10000-i);
      Assert(res, ans[i]);
    }
  }
}

附录:

k1:1 minDis:1 maxDis:2

k1:2 minDis:1 maxDis:8

k1:3 minDis:5 maxDis:22

k1:4 minDis:7 maxDis:37

k1:5 minDis:9 maxDis:68

k1:6 minDis:26 maxDis:131

k1:7 minDis:59 maxDis:258

k1:8 minDis:124 maxDis:513

k1:9 minDis:253 maxDis:1024

k1:10 minDis:510 maxDis:2047

k1:11 minDis:1023 maxDis:4094

k1:12 minDis:2048 maxDis:8189

k1:13 minDis:4097 maxDis:16380

k1:14 minDis:8194 maxDis:32763

2023年1月版

class Solution {

public:

bool AddQue(int(vHasDisSpeed)[41], vector<std::pair<int, int>>& qDisSpeed, int iDis, int iSpeed, int iOpeNum)
{
iSpeed += 20;
if ((iDis < 0) || (iDis >= m_target
2 ))

{

return false;

}

if (INT_MAX != vHasDisSpeed[iDis][iSpeed])

{//已经处理

return true;

}

vHasDisSpeed[iDis][iSpeed] = iOpeNum;

qDisSpeed.emplace_back(iDis, iSpeed);

return true;

}

int racecar(int target) {

m_target = target;

int vHasDisSpeedOpeNum[10000 * 2][41] = { INT_MAX };

for (int i = 0; i < sizeof(vHasDisSpeedOpeNum) / sizeof(vHasDisSpeedOpeNum[0]); i++ )

for (int j = 0; j < sizeof(vHasDisSpeedOpeNum[0]) / sizeof(vHasDisSpeedOpeNum[0][0]); j++)

{

vHasDisSpeedOpeNum[i][j] = INT_MAX;

}

vector<std::pair<int, int>> qDisSpeed;

AddQue(vHasDisSpeedOpeNum, qDisSpeed, 0, 1, 0);

for (int i = 0; i < qDisSpeed.size();i++ )

{

int iDis = qDisSpeed[i].first;

const int iOpeNum = vHasDisSpeedOpeNum[iDis][qDisSpeed[i].second];

int iSpeedK = qDisSpeed[i].second - 20;

int iSpeed = 1 << (abs(iSpeedK)-1);

if (iSpeedK < 0)

{

iSpeed *= -1;

}

if (iDis + iSpeed == target)

{

return iOpeNum + 1;

}

AddQue(vHasDisSpeedOpeNum, qDisSpeed, iDis + iSpeed, iSpeedK > 0 ? iSpeedK + 1 : iSpeedK - 1, iOpeNum + 1);

AddQue(vHasDisSpeedOpeNum, qDisSpeed, iDis, iSpeedK > 0 ? -1 : 1, iOpeNum + 1);

}

return -1;

}

int m_target;

};

2023年8月版

class Solution {

public:

int racecar(int target) {

if (1 == target)

{

return 1;

}

if (2 == target)

{

return 4;

}

vector dp(target + 1,INT_MAX);

dp[1] = 1;

dp[2] = 4;

int k = 1;

for (int i = 3; i <= target ;i++ )

{

while ((1 << (k + 1)) <= i+1)

{

k++;

}

{

const int first = (1 << k) - 1;

if (first == i)

{

dp[i] = k;

continue;

}

for (int j = 0; j < k; j++)

{

dp[i] = min(dp[i], k + 1 + j + 1+ dp[i - first + (1 << j )-1]);

}

}

{

const int first = (1 << (k+1)) - 1;

dp[i] = min(dp[i], (k + 1) + 1 + dp[first - i]);

}

}

return dp.back();

}

};


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。
51 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。
80 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。
174 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)
677 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。
47 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。
164 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++)