【动态规划】【状态压缩】【C++算法】1815 得到新鲜甜甜圈的最多组数

简介: 【动态规划】【状态压缩】【C++算法】1815 得到新鲜甜甜圈的最多组数

作者推荐

【数位dp】【动态规划】【状态压缩】【推荐】1012. 至少有 1 位重复的数字

本文涉及知识点

动态规划汇总

状态压缩

LeetCode1815 得到新鲜甜甜圈的最多组数

有一个甜甜圈商店,每批次都烤 batchSize 个甜甜圈。这个店铺有个规则,就是在烤一批新的甜甜圈时,之前 所有 甜甜圈都必须已经全部销售完毕。给你一个整数 batchSize 和一个整数数组 groups ,数组中的每个整数都代表一批前来购买甜甜圈的顾客,其中 groups[i] 表示这一批顾客的人数。每一位顾客都恰好只要一个甜甜圈。

当有一批顾客来到商店时,他们所有人都必须在下一批顾客来之前购买完甜甜圈。如果一批顾客中第一位顾客得到的甜甜圈不是上一组剩下的,那么这一组人都会很开心。

你可以随意安排每批顾客到来的顺序。请你返回在此前提下,最多 有多少组人会感到开心。

示例 1:

输入:batchSize = 3, groups = [1,2,3,4,5,6]

输出:4

解释:你可以将这些批次的顾客顺序安排为 [6,2,4,5,1,3] 。那么第 1,2,4,6 组都会感到开心。

示例 2:

输入:batchSize = 4, groups = [1,3,2,5,2,2,1,6]

输出:4

提示:

1 <= batchSize <= 9

1 <= groups.length <= 30

1 <= groups[i] <= 109

动态规划

本顾客之前的顾客买的甜甜圈之和 % batchSize 为0,则幸福。

动态规划的状态

groups全部%batchSize,cnt记录为0到batchSize-1的数量。为0的全部放到最前面。 调整为0的顾客,不会议影响其他顾客的幸福度。

极端情况下:8种顾客,6种3位,2种3位。 共有56*16 = 250000。

dp[mask] 记录最大幸福度。

动态规划的转移方程

枚举各类没有售卖完的客人。

动态规划的初始值

全部为0

动态规划的填表顺序

前置条件转移后置条件,mask从0到大。

动态规划的返回值

cnt[0]+dp.back()

代码

核心代码

class CMask
{
public:
  void Add(int iMax)//当前最高位范围[0,iMax]
  {
    m_vUint.push_back(m_iMaskCount);
    m_vMax.emplace_back(iMax);
    m_iMaskCount *= (iMax + 1);
  }
  vector<int> FromMask(int iMask)const
  {
    vector<int> vNums;
    for (int i = 0; i < m_vMax.size(); i++)
    {
      vNums.emplace_back(iMask % (m_vMax[i] + 1));
      iMask /= (m_vMax[i] + 1);
    }
    return vNums;
  }
  int GetUnit(int iBit)const
  {
    return m_vUint[iBit];
  }
  int ToMask(const vector<int>& vNums, int iMul = 1)const
  {
    int iMask = 0;
    int iUnit = 1;
    for (int i = 0; i < m_vMax.size(); i++)
    {
      iMask += iUnit * min(m_vMax[i], vNums[i] * iMul);
      iUnit *= (m_vMax[i] + 1);
    }
    return iMask;
  }
  int MaskSubVector(int iMask, const vector<int>& vNums, const int iMul = 1)const
  {
    int iNewMask = 0;
    int iUnit = 1;
    for (int i = 0; i < m_vMax.size(); i++)
    {
      int cur = iMask % (m_vMax[i] + 1);
      cur -= vNums[i] * iMul;
      cur = max(0, cur);
      iNewMask += iUnit * cur;
      iMask /= (m_vMax[i] + 1);
      iUnit *= (m_vMax[i] + 1);
    }
    return iNewMask;
  }
  int NeedGroupCount(const vector<int>& need, const vector<int>& has)const
  {
    int iMax = 0;
    for (int i = 0; i < m_vMax.size(); i++)
    {
      if (has[i] <= 0)
      {
        continue;
      }
      iMax = max(iMax, need[i] / has[i] + (0 != need[i] % has[i]));
    }
    return iMax;
  }
public:
  int MaskCount()const
  {
    return m_iMaskCount;
  }
  int BitCount()const
  {
    return m_vMax.size();
  }
protected:
  int m_iMaskCount = 1;
  vector<int> m_vMax;
  vector<int> m_vUint;
};
class Solution {
public:
  int maxHappyGroups(int batchSize, vector<int>& groups) {
    vector<int> cnt(batchSize);
    for (const auto& n : groups)
    {
      cnt[n % batchSize]++;
    }
    int iRet = cnt[0];
    CMask mask;
    for (int i = 1; i < batchSize; i++)
    {
      mask.Add(cnt[i]);
    }
    vector<int> dp(mask.MaskCount());
    for (int i = 0; i < mask.MaskCount(); i++)
    {
      vector<int> v = mask.FromMask(i);
      int sum = 0;
      for (int j = 0; j < v.size(); j++)
      {
        sum += (j + 1) * v[j];
      }
      sum = sum % batchSize;
      for (int j = 0; j < v.size(); j++)
      {
        if (v[j] < cnt[j + 1])
        {
          const int i1 = i + mask.GetUnit(j);
          dp[i1] = max(dp[i1], dp[i] + (0 == sum));
        }
      }
    }
    return iRet + 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()
{ 
  int batchSize;
  vector<int> groups;
  {
    Solution sln;
    batchSize = 3, groups = { 1, 2, 3, 4, 5, 6 };
    auto res = sln.maxHappyGroups(batchSize, groups);
    Assert(res, 4);
  }
  
  {
    Solution sln;
    batchSize = 3, groups = { 1, 2, 3, 4, 5, 6 };
    auto res = sln.maxHappyGroups(batchSize, groups);
    Assert(res, 4);
  }
}

2023年2月版

class Solution {

public:

int maxHappyGroups(int batchSize, vector& groups) {

vector nums(batchSize);

for (const int& group : groups)

{

nums[group%batchSize]++;

}

m_vUnit.push_back(1);

for (int i = 1; i < batchSize; i++)

{

m_vUnit.push_back(m_vUnit.back()*(nums[i] + 1));

}

m_iMaskNum = m_vUnit.back();

vector<vector> vMaskVector(m_iMaskNum);

vector vMaskTotalNum(m_iMaskNum);

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

{

vector vNum(batchSize - 1);

int iNeedNum = 0;

int mask = i;

for (int j = 0; j < batchSize - 1; j++)

{

if (j + 1 < m_vUnit.size())

{

vNum[j] = mask % m_vUnit[j + 1]/m_vUnit[j];

}

else

{

vNum[j] = mask/m_vUnit[j];

}

iNeedNum += (j + 1)*vNum[j];

}

vMaskVector[i] = vNum;

vMaskTotalNum[i] = iNeedNum;

}

vector vMaskMaxHappy(m_iMaskNum);

for (int mask = 0; mask < m_iMaskNum; mask++)

{

const auto& v = vMaskVector[mask];

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

{

if (v[j] < nums[j + 1])

{

int& newHappy = vMaskMaxHappy[mask + m_vUnit[j]];

newHappy = max(newHappy, vMaskMaxHappy[mask] + (0 == vMaskTotalNum[mask] % batchSize));

}

}

}

return vMaskMaxHappy[m_iMaskNum - 1] + nums[0];

}

vector m_vUnit;

int m_iMaskNum;

};


相关文章
|
3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。
511 1
|
7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。
167 2
|
7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。
196 17
|
5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。
160 0
|
6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。
183 0
|
8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。
174 4
|
9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。
204 8
|
2月前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
237 0
|
2月前
|
数据采集 分布式计算 并行计算
mRMR算法实现特征选择-MATLAB
mRMR算法实现特征选择-MATLAB
178 2
|
3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
216 3