【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
|
19天前
|
存储 人工智能 自然语言处理
Delta-CoMe:清华联合OpenBMB等高校开源的新型增量压缩算法
Delta-CoMe是由清华大学NLP实验室联合OpenBMB开源社区、北京大学和上海财经大学提出的新型增量压缩算法。该算法通过结合低秩分解和低比特量化技术,显著减少了大型语言模型的存储和内存需求,同时保持了模型性能几乎无损。Delta-CoMe特别适用于处理数学、代码和多模态等复杂任务,并在推理速度上有所提升。
55 6
Delta-CoMe:清华联合OpenBMB等高校开源的新型增量压缩算法
|
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。
49 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。
79 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。
167 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)
667 0
高精度算法(加、减、乘、除,使用c++实现)
|
1月前
|
存储 JSON 算法
TDengine 检测数据最佳压缩算法工具,助你一键找出最优压缩方案
在使用 TDengine 存储时序数据时,压缩数据以节省磁盘空间是至关重要的。TDengine 支持用户根据自身数据特性灵活指定压缩算法,从而实现更高效的存储。然而,如何选择最合适的压缩算法,才能最大限度地降低存储开销?为了解决这一问题,我们特别推出了一个实用工具,帮助用户快速判断并选择最适合其数据特征的压缩算法。
53 0
|
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。
43 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。
157 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++)
下一篇
DataWorks