【动态规划】【map】【C++算法】1289. 下降路径最小和 II

简介: 【动态规划】【map】【C++算法】1289. 下降路径最小和 II

作者推荐

视频算法专题

本文涉及知识点

动态规划汇总

map

LeetCode1289. 下降路径最小和 II

给你一个 n x n 整数矩阵 grid ,请你返回 非零偏移下降路径 数字和的最小值。

非零偏移下降路径 定义为:从 grid 数组中的每一行选择一个数字,且按顺序选出来的数字中,相邻数字不在原数组的同一列。

示例 1:

输入:grid = [[1,2,3],[4,5,6],[7,8,9]]

输出:13

解释:

所有非零偏移下降路径包括:

[1,5,9], [1,5,7], [1,6,7], [1,6,8],

[2,4,8], [2,4,9], [2,6,7], [2,6,8],

[3,4,8], [3,4,9], [3,5,7], [3,5,9]

下降路径中数字和最小的是 [1,5,7] ,所以答案是 13 。

示例 2:

输入:grid = [[7]]

输出:7

提示:

n == grid.length == grid[i].length

1 <= n <= 200

-99 <= grid[i][j] <= 99

动态规划

动态规划的状态表示

multimap<int,int> mSumToIndex 的key,各行的最小和,value 列下标。 mSumToIndex不包括当前行,mDp包括当前行。

只需要比较mSumToIndex 最小元素和次小元素。

动态规划的转移方程

各列和mSumToIndex的最小、次小元素结合,最小值为iMin。将iMin和列号放到mDp中。

动态规划的初始值

{0,1} {0,1}

动态规划的填表顺序

依次处理各行。

动态规划的返回值

mSumToIndex.begin().first

map

map可以分成有序(单调)map和无序(哈希)map。还可分成单键map和多键map(允许重复的键)。本文用的是有序、多键。

代码

核心代码

class Solution {
public:
  int minFallingPathSum(vector<vector<int>>& grid) {
    const int n = grid.size();
    if (1 == n)
    {
      return grid[0][0];
    }
    multimap<int, int> mSumToIndex;
    mSumToIndex.emplace(0, 0);
    mSumToIndex.emplace(0, 1);
    for (const auto& v : grid)
    {
      const auto it = mSumToIndex.begin();
      const auto it1 = next(it);
      multimap<int, int> mDp;
      for (int i = 0; i < n; i++)
      {
        int iMax = INT_MAX;
        if (it->second != i)
        {
          iMax = min(iMax, it->first + v[i]);
        }
        if (it1->second != i)
        {
          iMax = min(iMax, it1->first + v[i]);
        }
        mDp.emplace(iMax, i);
      }
      mSumToIndex.swap(mDp);
    }
    return mSumToIndex.begin()->first;
  }
};

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()
{ 
  vector<vector<int>> grid;
  {
    Solution sln;
    grid = { {1,2,3},{4,5,6},{7,8,9} };
    auto res = sln.minFallingPathSum(grid);
    Assert(13, res);
  }
  {
    Solution sln;
    grid = { {7} };
    auto res = sln.minFallingPathSum(grid);
    Assert(7, res);
  }
}

2023年一月版

class Solution {

public:

int minFallingPathSum(vector<vector>& grid) {

if (1 == grid.size())

{

return grid[0][0];

}

vector pre = grid[0];

for (int i = 1; i < grid.size(); i++)

{

vector dp(grid.size(), 1000 * 1000 * 1000);

for (int j = 0; j < dp.size(); j++)

{

for (int k = 0; k < pre.size(); k++)

{

if (j == k)

{

continue;

}

dp[j] = min(dp[j], pre[k] + grid[i][j]);

}

}

pre.swap(dp);

}

return *std::min_element(pre.begin(),pre.end());

}

void GetTop2(vector<std::pair<int, int>>& pre, const vector& v)

{

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

{

const int& iValue = v[i];

if (pre.size() < 2)

{

pre.emplace_back(i, iValue);

}

else

{

if (iValue < pre[1].second)

{

pre.erase(pre.begin());

pre.emplace_back(i, iValue);

}

else if (iValue < pre[0].second)

{

pre[0].first = i;

pre[0].second = iValue;

}

}

}

}

};

2023年2月

class Solution {

public:

int minFallingPathSum(vector<vector>& grid) {

if (1 == grid.size())

{

return grid[0][0];

}

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

GetTopN(pre, grid[0],2);

for (int i = 1; i < grid.size(); i++)

{

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

GetTopN(cur, grid[i],3);

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

for (auto& it : cur)

{

if (it.first == pre[1].first)

{

dp.emplace_back(it.first, it.second + pre[0].second);

}

else

{

dp.emplace_back(it.first, it.second + pre[1].second);

}

}

if (dp.size() > 2)

{

int iMaxIndex = 0;

for (int j = 1; j < dp.size(); j++)

{

if (dp[j].second > dp[iMaxIndex].second)

{

iMaxIndex = j;

}

}

dp.erase(dp.begin() + iMaxIndex);

}

//确保dp[0].second大于dp[1].second

if (dp[0].second < dp[1].second)

{

auto tmp = dp[0];

dp.erase(dp.begin());

dp.push_back(tmp);

}

pre.swap(dp);

}

return min(pre[0].second, pre[1].second);

}

void GetTopN(vector<std::pair<int, int>>& pre, const vector& v, int n)

{

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

{

const int& iValue = v[i];

bool bInsert = false;

for (int j = 0; j < pre.size(); j++)

{

if (iValue > pre[j].second)

{

pre.emplace(pre.begin() + j, i, iValue);

bInsert = true;

break;

}

}

if (!bInsert)

{

pre.emplace_back(i, iValue);

}

if (pre.size() > n)

{

pre.erase(pre.begin());

}

}

}

};


相关文章
|
9月前
|
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
377 3
|
8月前
|
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。
|
9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。
918 1
|
8月前
|
存储 算法 容器
set_map的实现+set/map加持秒杀高频算法题锻炼算法思维
`set`基于红黑树实现,支持有序存储、自动去重,增删查效率为O(logN)。通过仿函数可自定义排序规则,配合空间配置器灵活管理内存。不支持修改元素值,迭代器失效需注意。`multiset`允许重复元素。常用于去重、排序及查找场景。
|
9月前
|
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)
591 2
|
9月前
|
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)
382 8
|
9月前
|
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)
264 2
|
9月前
|
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。
|
9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)
311 1
|
9月前
|
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)
446 0

热门文章

最新文章