【状态压缩】【动态规划】【C++算法】1125.最小的必要团队

简介: 【状态压缩】【动态规划】【C++算法】1125.最小的必要团队

作者推荐

【广度优先搜索】【网格】【割点】【 推荐】1263. 推箱子

本文涉及知识点

动态规划汇总

状态压缩

LeetCode1125. 最小的必要团队

作为项目经理,你规划了一份需求的技能清单 req_skills,并打算从备选人员名单 people 中选出些人组成一个「必要团队」( 编号为 i 的备选人员 people[i] 含有一份该备选人员掌握的技能列表)。

所谓「必要团队」,就是在这个团队中,对于所需求的技能列表 req_skills 中列出的每项技能,团队中至少有一名成员已经掌握。可以用每个人的编号来表示团队中的成员:

例如,团队 team = [0, 1, 3] 表示掌握技能分别为 people[0],people[1],和 people[3] 的备选人员。

请你返回 任一 规模最小的必要团队,团队成员用人员编号表示。你可以按 任意顺序 返回答案,题目数据保证答案存在。

示例 1:

输入:req_skills = [“java”,“nodejs”,“reactjs”], people = [[“java”],[“nodejs”],[“nodejs”,“reactjs”]]

输出:[0,2]

示例 2:

输入:req_skills = [“algorithms”,“math”,“java”,“reactjs”,“csharp”,“aws”], people = [[“algorithms”,“math”,“java”],[“algorithms”,“math”,“reactjs”],[“java”,“csharp”,“aws”],[“reactjs”,“csharp”],[“csharp”,“math”],[“aws”,“java”]]

输出:[1,2]

提示:

1 <= req_skills.length <= 16

1 <= req_skills[i].length <= 16

req_skills[i] 由小写英文字母组成

req_skills 中的所有字符串 互不相同

1 <= people.length <= 60

0 <= people[i].length <= 16

1 <= people[i][j].length <= 16

people[i][j] 由小写英文字母组成

people[i] 中的所有字符串 互不相同

people[i] 中的每个技能是 req_skills 中的技能

题目数据保证「必要团队」一定存在

动态规划

状态压缩

利用哈希map将字符串转成数字。方便状态压缩。mask &(1 <<i ) 表示第i个技能已经具备。

动态规划的状态

pre[mask] 从前i个人员中选择具备mask技能的最少人数。

dp[mask] 从前i+1个人员中选择具备mask技能的最少人数。

动态规划的转移方程

const int iNewMask = preMask | curMask;

人数必定+1。

动态规划的初始状态

pre[0]=0,其它1000,表示此种状态不存在。

动态规划的填表顺序

依次处理各人员。

动态规划的返回值

vResut[mask] 记录: 转移之前的状态和最后选择的人员。

代码

核心代码

class Solution {
public:
  vector<int> smallestSufficientTeam(vector<string>& req_skills, vector<vector<string>>& people) {
    unordered_map<string, int> mStrIndex;
    for (const auto& s : req_skills)
    {
      if (!mStrIndex.count(s))
      {
        mStrIndex[s] = mStrIndex.size();
      }
    }
    const int iMaskCount = 1 << mStrIndex.size();
    vector<int> pre(iMaskCount, 1000);
    vector<pair<int, int>> vResult(iMaskCount);
    pre[0] = 0;
    int cur = -1;
    for (const auto& v : people)
    {
      cur++;
      int curMask = 0;
      for (const string& s : v)
      {
        if (mStrIndex.count(s))
        {
          curMask |= (1 << mStrIndex[s]);
        }
      }
      auto dp = pre;//不选择当前人员
      for (int preMask = 0; preMask < iMaskCount; preMask++)
      {
        const int iNewMask = preMask | curMask;
        if (pre[preMask] + 1 < dp[iNewMask])
        {
          dp[iNewMask] = pre[preMask] + 1;
          vResult[iNewMask] = std::make_pair(preMask, cur);
        }
      }
      pre.swap(dp);
    }
    vector<int> vRet;
    for (int mask = iMaskCount - 1; mask > 0; )
    {
      vRet.emplace_back(vResult[mask].second);
      mask = vResult[mask].first;
    }
    return vRet;
  }
};

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<string> req_skills;
  vector<vector<string>> people;
  {
    Solution sln;
    req_skills = { "java","nodejs","reactjs" }, people = { {"java"},{"nodejs"},{"nodejs","reactjs"} };
    auto res = sln.smallestSufficientTeam(req_skills, people);    
  //  Assert(vector<int>{0, 2}, res);
  }
  {
    Solution sln;
    req_skills = { "algorithms","math","java","reactjs","csharp","aws" }, people = { {"algorithms","math","java"},{"algorithms","math","reactjs"},{"java","csharp","aws"},{"reactjs","csharp"},{"csharp","math"},{"aws","java"} };
    auto res = sln.smallestSufficientTeam(req_skills, people);
    //Assert(vector<int>{1, 2}, res);
  }
}

2023年1月 第一版

class Solution {

public:

vector smallestSufficientTeam(vector& req_skills, vector<vector>& people) {

m_iBitNum = req_skills.size();

m_iMaskNum = (1 << m_iBitNum);

for (const auto& s : req_skills)

{

m_mSkillNameToIndex[s] = m_mSkillNameToIndex.size();

}

std::unordered_map<int,int> pre;

pre[0] = 0;

std::unordered_map<int, vector> preIndex(1);

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

{

const auto& v = people[i];

std::unordered_map<int, int> dp = pre;

std::unordered_map<int, vector> dpIndex = preIndex;

for (const auto& pr : pre)

{

int iNewMask = pr.first;

for (const auto& s : v)

{

iNewMask |= (1 << m_mSkillNameToIndex[s]);

}

const int iNewNum = pr.second + 1;

if ((!dp.count(iNewMask)) || (iNewNum < dp[iNewMask]))

{

dp[iNewMask] = iNewNum;

dpIndex[iNewMask] = preIndex[pr.first];

dpIndex[iNewMask].push_back(i);

}

}

pre.swap(dp);

preIndex.swap(dpIndex);

}

return preIndex[m_iMaskNum - 1];

}

int m_iMaskNum;

int m_iBitNum;

std::unordered_map<string, int> m_mSkillNameToIndex;

};

2023年1月第二版

class Solution {

public:

vector smallestSufficientTeam(vector& req_skills, vector<vector>& people) {

m_iBitNum = req_skills.size();

m_iMaskNum = (1 << m_iBitNum);

for (const auto& s : req_skills)

{

m_mSkillNameToIndex[s] = m_mSkillNameToIndex.size();

}

std::vector pre(m_iMaskNum,1000);

pre[0] = 0;

std::vector<vector> preIndex(m_iMaskNum);

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

{

const auto& v = people[i];

std::vector dp = pre;

std::vector<vector> dpIndex = preIndex;

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

{

int iNewMask = iMask;

for (const auto& s : v)

{

iNewMask |= (1 << m_mSkillNameToIndex[s]);

}

const int iNewNum = pre[iMask] + 1;

if (iNewNum < dp[iNewMask])

{

dp[iNewMask] = iNewNum;

dpIndex[iNewMask] = preIndex[iMask];

dpIndex[iNewMask].push_back(i);

}

}

pre.swap(dp);

preIndex.swap(dpIndex);

}

return preIndex[m_iMaskNum - 1];

}

int m_iMaskNum;

int m_iBitNum;

std::unordered_map<string, int> m_mSkillNameToIndex;

};

2023年1月 第3版

class Solution {

public:

vector smallestSufficientTeam(vector& req_skills, vector<vector>& people) {

m_iBitNum = req_skills.size();

m_iMaskNum = (1 << m_iBitNum);

for (const auto& s : req_skills)

{

m_mSkillNameToIndex[s] = m_mSkillNameToIndex.size();

}

vector vPeoMask;

for (const auto& v : people)

{

int iMask = 0;

for (const auto& s : v)

{

iMask |= (1 << m_mSkillNameToIndex[s]);

}

vPeoMask.push_back(iMask);

}

std::vector pre(m_iMaskNum,1000);

pre[0] = 0;

std::vector preIndex(m_iMaskNum);

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

{

const auto& v = people[i];

std::vector dp = pre;

std::vector dpIndex = preIndex;

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

{

if (1000 == pre[iMask])

{

continue;

}

const int iNewMask = iMask | vPeoMask[i];

if (iNewMask == iMask)

{

continue;

}

const int iNewNum = pre[iMask] + 1;

if (iNewNum < dp[iNewMask])

{

dp[iNewMask] = iNewNum;

auto llNewPeoMask = (1LL) << i;

dpIndex[iNewMask] = preIndex[iMask] | llNewPeoMask;

}

}

pre.swap(dp);

preIndex.swap(dpIndex);

}

vector ret;

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

{

const auto llNewPeoMask = (1LL) << i;

if (llNewPeoMask & preIndex[m_iMaskNum - 1])

{

ret.push_back(i);

}

}

return ret;

}

int m_iMaskNum;

int m_iBitNum;

std::unordered_map<string, int> m_mSkillNameToIndex;

};


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。
50 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
|
机器学习/深度学习 人工智能 自然语言处理
【MM2024】阿里云 PAI 团队图像编辑算法论文入选 MM2024
阿里云人工智能平台 PAI 团队发表的图像编辑算法论文在 MM2024 上正式亮相发表。ACM MM(ACM国际多媒体会议)是国际多媒体领域的顶级会议,旨在为研究人员、工程师和行业专家提供一个交流平台,以展示在多媒体领域的最新研究成果、技术进展和应用案例。其主题涵盖了图像处理、视频分析、音频处理、社交媒体和多媒体系统等广泛领域。此次入选标志着阿里云人工智能平台 PAI 在图像编辑算法方面的研究获得了学术界的充分认可。
【MM2024】阿里云 PAI 团队图像编辑算法论文入选 MM2024
|
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
|
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++)