优选算法|【双指针】|1089.复写零

简介: 优选算法|【双指针】|1089.复写零



题目描述

1089. 复写零

给你一个长度固定的整数数组 arr ,请你将该数组中出现的每个零都复写一遍,并将其余的元素向右平移。

注意:请不要在超过该数组长度的位置写入元素。请对输入的数组 就地 进行上述修改,不要从函数返回任何东西。

示例 1:

输入:arr = [1,0,2,3,0,4,5,0]

输出:[1,0,0,2,3,0,0,4]

解释:调用函数后,输入的数组将被修改为:[1,0,0,2,3,0,0,4]

示例 2:

输入:arr = [1,2,3]

输出:[1,2,3]

解释:调用函数后,输入的数组将被修改为:[1,2,3]


提示:

  • 1 <= arr.length <= 104
  • 0 <= arr[i] <= 9

题目解析

       题目意思就是遇到0了再写一遍0,其他元素向右平移就行。只能在原来数组上修改,也就是空间复杂度为0.

算法原理讲解

       一般像这种在数组中移动一些数的题目,也是用双指针算法来解决这个问题。

      双指针算法是根据异地解法的操作,优化成双指针的就地操作。

异地操作

异地操作就是,重新开辟一个数组。

       定义两个指针,cur用来扫描原数组,dest用来更新新数组。

       当cur对应的值不等于0时,dest更新一个数,将cur值直接填入dest的位置,dest++,cur++就行。

       当cur对应的值等于0时,dest指针更新两个数,都填入0,cur++就行。

       当dest=arrSize就结束了。

就地操作

       就是不用重新开辟数组,也就是题目要求的那样,我们可以把cur和dest这两个指针,都放在原数组上。

      用双指针解决复写问题的步骤

1.找到最后一个复写的数

2.从后向前完成复写

       让cur指向最后一个复写的数,对于[1,0,2,3,0,4,5,0]这个数组,最后一个复写的数是4,所以让cur指向4 ,best指向最后一个位置就行。

cur指向的这个数是非零的,所以复写一次就行,复写完后,cur--,dest--。

这次cur指向0,那就复写两次,后cur--。

从图中可以看出,当cur和dest都指向-1的时候就复写完成了。

接下来有一个问题就是?——怎么找到最后一个复写的数

       还是利用双指针算法,定义两个指针cur和dest,cur用来扫描数组,dest用来标识最后一个复写的数。

cur指向的值决定dest向后移动两步还是移动一步

1.先判断cur里面的值

2.决定dest走两步还是走一步

3.在判断dest到没到结尾

4.没到结尾再cur++

       咱们一步一步来,arr[cur]现在指向了1,所以dest走一步到达下标为0的位置,dest没有走到结尾,所以cur++。

arr[cur]现在指向了0,所以dest走两步到达下标为2的位置,dest没有走到结尾所以cur++。

arr[cur]现在指向了2,所以dest走一步到达下标为3的位置,dest没有走到结尾所以cur++。

arr[cur]现在指向了3,所以dest走一步到达下标为4的位置,dest没有走到结尾所以cur++。

arr[cur]现在指向了0,所以dest走两步到达下标为6的位置,dest没有走到结尾所以cur++。

arr[cur]现在指向了4,所以dest走一步到达下标为7的位置,dest走到结尾返回cur。

       对于这个数组这种方法是刚好的,那么如果是【1,0,2,3,0,4】

arr[cur]现在指向了1,所以dest走一步到达下标为0的位置,dest没有走到结尾所以cur++。

arr[cur]现在指向了0,所以dest走两步到达下标为2的位置,dest没有走到结尾所以cur++。

arr[cur]现在指向了2,所以dest走一步到达下标为3的位置,dest没有走到结尾所以cur++。

arr[cur]现在指向了3,所以dest走一步到达下标为4的位置,dest没有走到结尾所以cur++。

        arr[cur]现在指向了0,所以dest走两步到达下标为6的位置,但是这个数组没有下标6最大直到5,所以会产生越界。

       接下来,我们怎么解决这个问题,我们要明白越界是怎么产生的,是因为复写0,复写两次就产生了越界。这个情况我们单独处理一下。

那么怎么处理呢?我们在复写的时候将最后一个位置,和越界的那个位置都复写成0。但是越界那个位置不能修改成0,我们只需要把最后一个位置修改成0(直接在这里复写),也就是arr[arrSzie-1]=0,就可以。

修改之后我们将dest向前移动两步,cur向前移动一步

cur现在就是最后一个复写的值,接下来复写就从dest现在的位置开始复写。

代码

void duplicateZeros(int* arr, int arrSize) {
    //找到最后一个复写的位置
    int cur=0;
    int dest=-1;
    while(cur<arrSize)
    {
        if(arr[cur]==0)dest+=2;
        if(arr[cur]!=0)dest+=1;
        //如果dest到达最后一个位置就跳出循环
        //如果刚好的话是等于arrSzie-1,有越界的时候是等于arrSize
        if(dest==arrSize-1||dest==arrSize)break;
        cur++;
    }
    //处理边界
    if(dest==arrSize)
    {
        arr[arrSize-1]=0;
        cur-=1;
        dest-=2;
    }
    while(cur>=0&&dest>=0)
    {
        if(arr[cur]==0)
        {
            arr[dest--]=arr[cur];
            arr[dest--]=arr[cur--];
        }
        else
        {
            arr[dest--]=arr[cur--];
        }
    }
    
}
相关文章
|
8天前
|
算法 容器
【算法】——双指针算法合集(力扣)
移动零,复写零,快乐数,盛最多水的容器,有效三角形的个数,和为s的两个数(查找总价格为目标值的两个商品 ),三数之和,四数之和
|
4月前
|
算法 索引 容器
双指针算法详解
本文介绍了双指针算法及其应用。双指针算法是在数组或字符串中常用的高效技术,通过维护两个指针遍历数据结构以解决特定问题。根据指针移动方向,可分为同向双指针、相向双指针和快慢指针。同向双指针如移动零和复写零问题;快慢指针如快乐数问题;相向双指针如盛水最多的容器、有效三角形数量及多数之和等问题。通过合理运用双指针技巧,可简化代码并提高效率。
81 4
|
3月前
|
算法 C++
【算法】双指针+二分(C/C++
【算法】双指针+二分(C/C++
|
5月前
|
算法 容器
【算法】双指针
【算法】双指针
|
9天前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
138 80
|
2天前
|
机器学习/深度学习 算法
基于遗传优化的双BP神经网络金融序列预测算法matlab仿真
本项目基于遗传优化的双BP神经网络实现金融序列预测,使用MATLAB2022A进行仿真。算法通过两个初始学习率不同的BP神经网络(e1, e2)协同工作,结合遗传算法优化,提高预测精度。实验展示了三个算法的误差对比结果,验证了该方法的有效性。
|
5天前
|
机器学习/深度学习 数据采集 算法
基于PSO粒子群优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目展示了基于PSO优化的CNN-GRU-SAM网络在时间序列预测中的应用。算法通过卷积层、GRU层、自注意力机制层提取特征,结合粒子群优化提升预测准确性。完整程序运行效果无水印,提供Matlab2022a版本代码,含详细中文注释和操作视频。适用于金融市场、气象预报等领域,有效处理非线性数据,提高预测稳定性和效率。
|
1天前
|
算法
基于梯度流的扩散映射卡尔曼滤波算法的信号预处理matlab仿真
本项目基于梯度流的扩散映射卡尔曼滤波算法(GFDMKF),用于信号预处理的MATLAB仿真。通过设置不同噪声大小,测试滤波效果。核心代码实现数据加载、含噪信号生成、扩散映射构建及DMK滤波器应用,并展示含噪与无噪信号及滤波结果的对比图。GFDMKF结合非线性流形学习与经典卡尔曼滤波,提高对非线性高维信号的滤波和跟踪性能。 **主要步骤:** 1. 加载数据并生成含噪测量值。 2. 使用扩散映射捕捉低维流形结构。 3. 应用DMK滤波器进行状态估计。 4. 绘制不同SNR下的轨迹示例。
|
6天前
|
机器学习/深度学习 算法 索引
单目标问题的烟花优化算法求解matlab仿真,对比PSO和GA
本项目使用FW烟花优化算法求解单目标问题,并在MATLAB2022A中实现仿真,对比PSO和GA的性能。核心代码展示了适应度计算、火花生成及位置约束等关键步骤。最终通过收敛曲线对比三种算法的优化效果。烟花优化算法模拟烟花爆炸过程,探索搜索空间,寻找全局最优解,适用于复杂非线性问题。PSO和GA则分别适合快速收敛和大解空间的问题。参数调整和算法特性分析显示了各自的优势与局限。

热门文章

最新文章