【动态规划】【前缀和】【C++算法】LCP 57. 打地鼠

简介: 【动态规划】【前缀和】【C++算法】LCP 57. 打地鼠

作者推荐

视频算法专题

本文涉及知识点

动态规划汇总

C++算法:前缀和、前缀乘积、前缀异或的原理、源码及测试用例 包括课程视频

LCP 57. 打地鼠

勇者面前有一个大小为3*3 的打地鼠游戏机,地鼠将随机出现在各个位置,moles[i] = [t,x,y] 表示在第 t 秒会有地鼠出现在 (x,y) 位置上,并于第 t+1 秒该地鼠消失。

勇者有一把可敲打地鼠的锤子,初始时刻(即第 0 秒)锤子位于正中间的格子 (1,1),锤子的使用规则如下:

锤子每经过 1 秒可以往上、下、左、右中的一个方向移动一格,也可以不移动

锤子只可敲击所在格子的地鼠,敲击不耗时

请返回勇者最多能够敲击多少只地鼠。

注意:

输入用例保证在相同时间相同位置最多仅有一只地鼠

示例 1:

输入: moles = [[1,1,0],[2,0,1],[4,2,2]]

输出: 2

解释: 第 0 秒,锤子位于 (1,1) 第 1 秒,锤子移动至 (1,0) 并敲击地鼠 第 2 秒,锤子移动至 (2,0) 第 3 秒,锤子移动至 (2,1) 第 4 秒,锤子移动至 (2,2) 并敲击地鼠 因此勇者最多可敲击 2 只地鼠

示例 2:

输入:moles = [[2,0,2],[5,2,0],[4,1,0],[1,2,1],[3,0,2]]

输出:3

解释: 第 0 秒,锤子位于 (1,1) 第 1 秒,锤子移动至 (2,1) 并敲击地鼠 第 2 秒,锤子移动至 (1,1) 第 3 秒,锤子移动至 (1,0) 第 4 秒,锤子在 (1,0) 不移动并敲击地鼠 第 5 秒,锤子移动至 (2,0) 并敲击地鼠 因此勇者最多可敲击 3 只地鼠

示例 3:

输入:moles = [[0,1,0],[0,0,1]]

输出:0

解释: 第 0 秒,锤子初始位于 (1,1),此时并不能敲击 (1,0)、(0,1) 位置处的地鼠

提示:

1 <= moles.length <= 105

moles[i].length == 3

0 <= moles[i][0] <= 109

0 <= moles[i][1], moles[i][2] < 3

动态规划

容易想到的解法:

moles排序

pre[j] 记录moles[i-1][0]时 锤子在j时,敲到的最多地鼠。

dp[i] 记录moles[i][0]时 锤子在j时,敲到的最多地鼠。

本文讲解另外一种解法。

动态规划的状态表示

moles排序,dp[i]记录敲到mole[i][0]的那只老鼠时,最多敲到的地鼠数。

动态规划的转移方程

j是前一只被敲到的地鼠,因为最多距离4,所以时间相差4就一定能敲倒。

情况一:i M a x = M a x j : 0 m o l e s [ j ] [ 0 ] + 4 < = m o l e s [ i ] [ 0 ] iMax=Max\Large_{j:0}^{moles[j][0]+4<=moles[i][0]}iMax=Maxj:0moles[j][0]+4<=moles[i][0]dp[j]

情况二:dp[i] = 1+max(iMax,j : 0 m o l e s [ j ] [ 0 ] + 4 > m o l e s [ i ] [ 0 ] \Large_{j:0}^{moles[j][0]+4> moles[i][0]}j:0moles[j][0]+4>moles[i][0]如果能敲到dp[j]且dp[j]不为0$)

由于同一时间同一地点不会有两只地鼠,所以情况二,顶多只有三个,每个时间9个位置,共27种可能。

情况一,可以用前缀和,总时间复杂度是O(n)。

情况三:没有j,只敲到一只地鼠。

动态规划的初始状态

dp[0] =(0==modes[0][0]):1:0

动态规划的填表顺序

按时间顺序。

动态规划的返回值

dp的最大值。

代码

template<class ELE>
void MaxSelf(ELE* seft, const ELE& other)
{
  *seft = max(*seft, other);
}
class Solution {
public:
  int getMaximumNumber(vector<vector<int>>& moles) {
    m_c = moles.size();
    sort(moles.begin(), moles.end());
    vector<int> dp(m_c);
    int iMax = 0;
    auto Can = [&](int i, int preTime, int x, int y)
    {
      const int dis = abs(moles[i][1] - x) + abs(moles[i][2] - y);
      return moles[i][0] - preTime >= dis;
    };
    for (int i = 0, j = 0; i < m_c; i++)
    {
      while (moles[i][0] - moles[j][0] >= 4)
      {
        iMax = max(iMax, dp[j++]);
      }
      if (Can(i, 0, 1, 1))
      {
        MaxSelf(&dp[i],1 );
      }
      if (j > 0)
      {
        MaxSelf(&dp[i], iMax + 1);  
      }
      for (int t = i-1 ; t >= j ;t--)
      {
        if (0 == dp[t])
        {
          continue;
        }
        if (Can(i, moles[t][0], moles[t][1], moles[t][2]))
        { 
          MaxSelf(&dp[i], dp[t] + 1);  
        }
      }
    }
    return *std::max_element(dp.begin(), dp.end());
  }
  int m_c;
};

测试用例

template<class T,class T2>
void Assert(const T& t1, const T2& 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>> moles;
  {
    Solution sln;
    moles= { {1,1,0},{2,0,1},{4,2,2} };
    auto res = sln.getMaximumNumber(moles);
    Assert(2, res);
  }
  {
    Solution sln;
    moles = { {2,0,2},{5,2,0},{4,1,0},{1,2,1},{3,0,2} };
    auto res = sln.getMaximumNumber(moles);
    Assert(3, res);
  }
  {
    Solution sln;
    moles = { {2,0,2},{6,2,0},{4,1,0},{2,2,2},{3,0,2} };
    auto res = sln.getMaximumNumber(moles);
    Assert(2, res);
  }
  {
    Solution sln;
    moles = { {0,1,0},{0,0,1} };
    auto res = sln.getMaximumNumber(moles);
    Assert(0, res);
  }
  {
    Solution sln;
    moles = { {0,1,0},{0,0,1},{0,2,1},{0,1,2},{0,0,2},{1,2,2},{1,0,0},{1,0,2},{2,0,2},{2,2,2},{2,0,1},{2,0,0},{2,2,0},{3,1,2},{3,0,0},{3,2,0},{3,0,2},{3,2,2},{3,1,0},{4,0,1},{4,1,2},{4,1,1},{4,0,2},{4,1,0},{5,0,1},{5,0,0},{5,2,0},{5,0,2},{6,1,2},{6,0,0},{6,0,2},{6,1,0},{6,2,1},{7,0,0},{7,2,0},{7,1,1},{7,1,2},{7,2,1},{8,2,2},{8,0,1},{8,2,1},{8,1,2},{8,1,1},{8,2,0},{9,1,1},{9,0,2},{9,2,2},{9,1,0},{9,2,1},{9,0,0},{9,2,0},{10,1,1},{10,0,2},{10,1,0},{10,2,2},{10,2,1},{10,1,2},{10,0,0} };
    auto res = sln.getMaximumNumber(moles);
    Assert(9, res);
  }
}

2023年4月

class Solution {

public:

int getMaximumNumber(vector<vector>& moles) {

vector<vector<vector>> vMoves(5,vector<vector>(9));

for (int i = 0; i < 9; i++)

{

const int r = i / 3;

const int c = i % 3;

vector& v = vMoves[1][i];

if (r > 0)

{

v.emplace_back(i - 3);

}

if (r + 1 < 3)

{

v.emplace_back(i + 3);

}

if (c > 0)

{

v.emplace_back(i - 1);

}

if (c + 1 < 3)

{

v.emplace_back(i + 1);

}

v.emplace_back(i);

}

for (int iMove = 2; iMove <= 4; iMove++)

{

for (int iStatu = 0; iStatu < 9; iStatu++)

{

vector& v = vMoves[iMove][iStatu];

vector& vPre = vMoves[iMove - 1][iStatu];

for (int iPreStatu : vPre)

{

for (int iEndStatu : vMoves[1][iPreStatu])

{

v.emplace_back(iEndStatu);

}

}

v.insert(v.end(), vPre.begin(), vPre.end());

sort(v.begin(), v.end());

v.erase(std::unique(v.begin(), v.end()), v.end());

}

}

std::map<int, vector> mTimeStatu;

for (const auto& v: moles)

{

mTimeStatu[v[0]].emplace_back(v[1] * 3 + v[2]);

}

vector pre(9, -1000 * 1000);

int vHas[9] = { 0 };

for (const auto& iStatu : mTimeStatu[0])

{

vHas[iStatu] = 1;

}

pre[3 + 1] = vHas[4];

int iPreTime = 0;

for (const auto& it : mTimeStatu)

{

int iTime = min(4,it.first - iPreTime);

iPreTime = it.first;

//不移动

vector dp = pre;

memset(vHas, 0, sizeof(vHas));

for (const auto& iStatu :it.second)

{

vHas[iStatu] = 1;

}

for (int iCurStatu = 0; iCurStatu < 9; iCurStatu++)

{

const int iAdd = vHas[iCurStatu];

for (const int iPre : vMoves[iTime][iCurStatu])

{

dp[iCurStatu] = max(dp[iCurStatu], pre[iPre] + iAdd);

}

}

pre.swap(dp);

}

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

}

};


相关文章
|
10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。
169 1
|
4月前
|
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。
104 2
|
5月前
|
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。
|
2月前
|
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。
81 0
|
3月前
|
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。
98 4
|
4月前
|
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。
140 17
|
3月前
|
机器学习/深度学习 存储 算法
基于 C++ 布隆过滤器算法的局域网上网行为控制:URL 访问过滤的高效实现研究
本文探讨了一种基于布隆过滤器的局域网上网行为控制方法,旨在解决传统黑白名单机制在处理海量URL数据时存储与查询效率低的问题。通过C++实现URL访问过滤功能,实验表明该方法可将内存占用降至传统方案的八分之一,查询速度提升约40%,假阳性率可控。研究为优化企业网络管理提供了新思路,并提出结合机器学习、改进哈希函数及分布式协同等未来优化方向。
88 0
|
5月前
|
存储 监控 算法
基于 C++ 哈希表算法的局域网如何监控电脑技术解析
当代数字化办公与生活环境中,局域网的广泛应用极大地提升了信息交互的效率与便捷性。然而,出于网络安全管理、资源合理分配以及合规性要求等多方面的考量,对局域网内计算机进行有效监控成为一项至关重要的任务。实现局域网内计算机监控,涉及多种数据结构与算法的运用。本文聚焦于 C++ 编程语言中的哈希表算法,深入探讨其在局域网计算机监控场景中的应用,并通过详尽的代码示例进行阐释。
115 4
|
6月前
|
存储 算法 安全
企业员工数据泄露防范策略:基于 C++ 语言的布隆过滤器算法剖析[如何防止员工泄密]
企业运营过程中,防范员工泄密是信息安全领域的核心议题。员工泄密可能致使企业核心数据、商业机密等关键资产的流失,进而给企业造成严重损失。为应对这一挑战,借助恰当的数据结构与算法成为强化信息防护的有效路径。本文专注于 C++ 语言中的布隆过滤器算法,深入探究其在防范员工泄密场景中的应用。
115 8
|
7月前
|
编译器 C++ 开发者
【C++篇】深度解析类与对象(下)
在上一篇博客中,我们学习了C++的基础类与对象概念,包括类的定义、对象的使用和构造函数的作用。在这一篇,我们将深入探讨C++类的一些重要特性,如构造函数的高级用法、类型转换、static成员、友元、内部类、匿名对象,以及对象拷贝优化等。这些内容可以帮助你更好地理解和应用面向对象编程的核心理念,提升代码的健壮性、灵活性和可维护性。

热门文章

最新文章