【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
|
9天前
|
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。
26 2
|
1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。
65 2
动态规划算法学习三:0-1背包问题
|
1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。
65 0
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
|
1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。
118 0
动态规划算法学习二:最长公共子序列
|
1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)
418 0
高精度算法(加、减、乘、除,使用c++实现)
|
1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。
22 0
|
1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。
101 0
|
1月前
|
存储 算法 决策智能
【算法】博弈论(C/C++)
【算法】博弈论(C/C++)
|
1月前
|
存储 算法 C++
【算法】哈希映射(C/C++)
【算法】哈希映射(C/C++)
|
1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++)