python数据结构实现(七):回溯、分治和动态规划及相关LeetCode题

python数据结构实现(七)

  • 1 回溯
    • 1.1 python利用回溯算法求解八皇后问题
    • 1.2 python利用回溯算法求解 0-1 背包问题
  • 2 分治
    • 2.1 python利用分治算法求一组数据的逆序对个数
  • 3 动态规划
    • 3.1 python利用动态规划求解0-1 背包问题
    • 3.2 python实现求解最小路径和
    • 3.3 python实现莱文斯坦最短编辑距离
    • 3.4 python实现查找两个字符串的最长公共子序列
    • 3.5 python实现一个数据序列的最长递增子序列
  • 4 LeetCode相关习题
    • 4.1 Letter Combinations of a Phone Number(17)(电话号码的字母组合)
    • 4.2 permutations(46)
    • 4.3 Coin Change (零钱兑换)
    • 4.4

1 回溯

1.1 python利用回溯算法求解八皇后问题

'''
利用回溯算法求解八皇后问题
'''
class FindQueen:
    def __init__(self):
        self.total = 0      # 八皇后解的个数
        self.table = [[0 for i in range(8)] for i in range(8)]    # 8 x 8 的棋盘
        
    def findQueen(self, row):
        if row > 7:       # 八皇后问题有解了(已经排到了第9行)
            self.total += 1
            self.printQueen()
            return
        for coloumn in range(8):
            if self.check(row, coloumn):
                self.table[row][coloumn] = 1
                self.findQueen(row+1)
                self.table[row][coloumn] = 0       # 每趟递归退出后都需将这趟递归每行置1的位置清零
    
    def check(self, row, col):
        for n in range(8):       # 检查行列两个方向的有效性
            if self.table[n][col] or self.table[row][n]:
                return False
            
        # 检查左对角线    
        lf = [self.table[row+i][col+j] for i,j in zip(range(-7,8),range(7,-8,-1)) \
              if 0 <= row+i < 8 and 0 <= col+j < 8 and self.table[row+i][col+j]==1]
        if len(lf):
            return False
        
        # 检查右对角线
        rt = [self.table[row+i][col+j] for i,j in zip(range(-7,8),range(-7,8)) \
              if 0 <= row+i < 8 and 0 <= col+j < 8 and self.table[row+i][col+j]==1]
        if len(rt):
            return False
        
        return True
    
    def printQueen(self):
        for val in self.table:
            print(val)
        print('\n')

solutions = FindQueen()

solutions.findQueen(0)
print(solutions.total)

1.2 python利用回溯算法求解 0-1 背包问题

def bag01(N, V, C, W):
	'''
	:param N:N件物品
	:param V:Value数组,对应每件物品的价值
	:param C:Capacity,指背包的最大容量
	:param W:Weight数组,对应每件物品的重量
	'''
    bestResult = [0] * N; curResult = [0] * N
    curCost = 0; curValue = 0; bestValue = 0
    
    def backtracking(depth):
        nonlocal curCost,curValue,bestValue
        if depth > N-1:
            if curValue > bestValue:
                bestValue = curValue
                bestResult[:] = curResult[:]
                print(bestResult)
                print(bestValue)
            
        else:
            for i in [0, 1]:       # 取或不取这件物品
                curResult[depth] = i
                
                if i == 0:     # 不取这件物品
                    backtracking(depth+1)
                else:
                    if curCost + W[depth] <= C:
                        curCost += W[depth]
                        curValue += V[depth]
                        backtracking(depth+1)
                        # 往上回溯,恢复现场
                        curCost -= W[depth]
                        curValue -= V[depth]
    backtracking(0)
    
    return bestResult, bestValue

bag01(4,[1500,3000,2000,1000],4,[1,4,3,0.5])
=================================================
([1, 0, 1, 0], 3500)

2 分治

2.1 python利用分治算法求一组数据的逆序对个数

'''
利用归并排序的思想,在归并排序的过程中找到各个逆序对输出即可
'''
count = 0
def mergeSort(array1, low, high):
    array2 = [None] * 100
    if low == high:
        return 
    else:
        mid = (low + high) // 2
        mergeSort(array1, low, mid)
        mergeSort(array1, mid+1, high)
        merge(array1, array2, low, mid, high)
        array1[low:high+1] = array2[low:high+1]   # 恢复原数组
    
def merge(a1, a2, low, mid, high):
    i = low; j = mid+1; k = i; global count
    while i <= mid and j <= high:
        if a1[i] <= a1[j]:
            a2[k] = a1[i]        # 保护原数组
            i += 1; k += 1
        else:
            count += mid-i+1
            for _ in range(i,mid+1):
                print(a1[_],a1[j])
            a2[k] = a1[j];k+=1;j+=1
            
    while i <= mid:
        a2[k] = a1[i]
        k += 1; i += 1
    while j <= high:
        a2[k] = a1[j]
        k += 1; j += 1        
      
r =[23,13,35,6,19,50,28,38,26,17,45]
mergeSort(r, 0, 10)
print(count)

3 动态规划

3.1 python利用动态规划求解0-1 背包问题

问题描述:有n件物品,每件物品重量为w[i],价值为c[i],每种物品只有一件
用dp[i][v]表示前i件物品(1<=i<=n,0<=v<=V)恰好装入容量为v的背包中所能获得的最大价值
则对第i件物品的选择策略有两种:
1:不放入第i件物品,则问题转化为前i-1件物品恰好装入容量为v的背包中所能获得的最大价值,即dp[i-1][v]
2:放入第i件物品,则问题转化为前i-1件物品恰好装入容量为v-w[i]的背包中所能获得的最大价值,即dp[i-1][v-w[i]]+c[i]
则可得状态转移方程:

dp[i][v] = max{dp[i-1][v],dp[i-1][v-w[i]]+c[i]}

我们可以通过边界dp[0][v]=0开始将整个dp数组递推出来,dp数组中最大的值即对应最优解

时间复杂度没法优化,这里优化空间复杂度

  • 通过状态转移方程,我们可以看出,对于二维数组dp,每次计算dp[i]行都要用的数据在dp[i-1]行
  • 准确来说,在计算dp[i][v]时,我们要用的数据为dp[i-1][v]和dp[i-1][v]左侧的数据dp[i-1][v-w[i]];
  • 在计算dp[i+1]行的数据时,dp[i-1]行的数据就不需要了

由此可以想到,我们可以通过构建这样一个滚动一维数组dp[]:

  • 对于dp[v],它在转移前代表之前的dp[i-1][v],它的左侧是之前dp[i-1][v]左侧的数据,它的右侧是之前dp[i][v]右边的数据(供dp[i+1][v]计算使用),即这个一维数组在计算转移后的dp[v]时是通过转移前的dp[v]和dp[v]前面的数据计算出来的,dp[v]后的结果又继续提供给下一件物品继续重复这样的使用

于是,状态转移方程改为:

dp[v] = max{dp[v],dp[v-w[i]]+c[i]}
def bag01DP(N, C, W, V):
    '''
    动态规划求解01背包问题
    :param N: 物品的件数
    :param C: 物品的价值数组
    :param W: 物品的重量数组
    :param V: 背包的容量
    '''
    dp = [0] * (V+1)    # 0 到 V
    for index in range(N):
    	# 每行都是要将那个index对应的物品放入包中再进行计算
        for v in range(V, W[index]-1, -1):  
            '''
            这里v表示容量从W[index]到V的背包,每次减1,这是由物品重量的粒度决定的
            若物品重量不全是整数,则需要调整减少的粒度大小
            如物品重量有为5.5的,则每次减少的则为0.5
            '''
            dp[v] = max(dp[v], dp[v-W[index]]+ C[index])
    return max(dp)

bag01DP(5,[4,5,2,1,3],[3,5,1,2,2],8)
================
10

3.2 python实现求解最小路径和

def minPathSum(grid):
    sum = 0; height = len(grid); width = len(grid[0])
    dp = [[0 for x in range(width)] for y in range(height)] # 注意不能使用 [[0] * width] * height,此为浅复制,不同坐标指向了同一块内存
    dp[0][0] = grid[0][0]
    for col in range(1,width):      # 初始化第一行
        dp[0][col] = dp[0][col-1] + grid[0][col]
    for row in range(1,height):     # 初始化第一列
        dp[row][0] = dp[row-1][0] + grid[row][0]       
    for i in range(1,height):
        for j in range(1,width):
            dp[i][j] = min(dp[i-1][j]+grid[i][j],dp[i][j-1]+grid[i][j])
    
    return dp[height-1][width-1]

3.3 python实现莱文斯坦最短编辑距离

import numpy as np
def LevenshteinDistance(str1, str2):
    '''
    str1与str2的莱文斯坦最短编辑距离
    '''
    len1 = len(str1); len2 = len(str2)
    '''
    创建一个dp数组存储状态转移方程的结果
    dp[i][j]中i对应str1,j对应str2
    考虑到还有空串的情况,对应位置在i==0或j==0的位置,故数组下标为0 到 len1,len2
    '''
    dp = np.zeros((len1+1,len2+1)) 
    
    # 当str1或str2为空串时,最小编辑距离即为非空串的长度,以此初始化第一行和第一列
    for col in range(1,len2+1):   # 初始化第一行
        dp[0][col] = col
    for row in range(1,len1+1):   # 初始化第一列
        dp[row][0] = row
        
    for i in range(1,len1+1):
        for j in range(len2+1):
            k = 0 if str1[i-1] == str2[j-1] else 1      # 注意字符串中的下标比数组的下标要少1才是对应的字符位置
            dp[i][j] = min(dp[i][j-1] + 1, dp[i-1][j] + 1, dp[i-1][j-1] + k)
    
    return dp[-1][-1]

LevenshteinDistance('kitten','sitting')
======================
3.0

3.4 python实现查找两个字符串的最长公共子序列

'''
最长公共子序列的状态转移方程为:(和最短编辑距离类似,只和左方,上方,左上方的元素有关)
①当str1[i] == str2[j]时:dp[i][j] = dp[i-1][j-1] + 1
②当str1[i] != str2[j]时:dp[i][j] = max(dp[i][j-1], dp[i-1][j])
'''
def LCS(str1, str2):
    # 寻找str1和str2的最长公共子序列
    len1 = len(str1); len2 = len(str2)
    dp = [[0 for x in range(len2)] for y in range(len1)]   # 开辟一个二维数组dp,初始全为0
    dp[0][0] = 1 if str1[0] == str2[0] else 0
    for col in range(1,len2):
        dp[0][col] = 1 if str1[0] == str2[col] else dp[0][col-1]   # 初始化第一行
    for row in range(1,len1):
        dp[row][0] = 1 if str1[row] == str2[0] else dp[row-1][0]   # 初始化第一列  
    for i in range(1,len1):
        for j in range(1,len2):
            dp[i][j] = max(dp[i][j-1], dp[i-1][j]) if str1[i] != str2[j] else dp[i-1][j-1] + 1
    
    return dp[-1][-1]

LCS('sitting','kittenkkg')
========================
5

3.5 python实现一个数据序列的最长递增子序列

def LIS(lst):
    length = len(lst)
    dp = [0 for _ in range(length)]
    dp[0] = 1; maxdp = 1
    for i in range(1, length):
        for j in range(i):
            if lst[j] < lst[i] and dp[j] >= dp[i]:
                dp[i] = dp[j] + 1
                # dp数组最大值若大于1,则它一定是通过上一条语句计算出来的
                maxdp = dp[i]       
    return maxdp

LIS([1,3,5,2,4,6,7,8,0])
=====================
6

4 LeetCode相关习题

4.1 Letter Combinations of a Phone Number(17)(电话号码的字母组合)

执行用时 : 40 ms, 在Letter Combinations of a Phone Number的Python3提交中击败了99.19% 的用户
内存消耗 : 13 MB, 在Letter Combinations of a Phone Number的Python3提交中击败了95.74% 的用户

class Solution:
    def letterCombinations(self, digits: str) -> List[str]:
        if digits:
            len1 = len(digits)
            num2letter = {'2':'abc','3':'def','4':'ghi','5':'jkl','6':'mno','7':'pqrs','8':'tuv','9':'wxyz'}
            set1 = num2letter[digits[0]]
            result = []
            def backtrack(level, str1, set1):
                '''if level == len1-1:
                    result.append(str1)
                    return '''
                for letter in set1:
                    str1 += letter
                    if level < len1-1:
                        backtrack(level+1, str1, num2letter[digits[level+1]])
                    if len(str1) == len1:
                        result.append(str1)
                    str1 = str1[:-1]
                return result
            return backtrack(0,'',num2letter[digits[0]])
        return []

4.2 permutations(46)

class Solution:
    def permute(self, nums: List[int]) -> List[List[int]]:
        result = []
        def perm(nums, end):
            if end == 0:
                result.append(nums[:])
            else:
                for i in range(end+1):
                    nums[i], nums[end] = nums[end], nums[i]
                    perm(nums, end-1)
                    nums[i], nums[end] = nums[end], nums[i]
            return result
        return perm(nums, len(nums)-1)

4.3 Coin Change (零钱兑换)

本质为完全背包问题,dp[i]表示金额为i时所需的最少硬币数

class Solution:
    def coinChange(self, coins: List[int], amount: int) -> int:
        if amount < 0:return -1
        dp = [float('inf')] * (amount+1)
        dp[0] = 0
        for i in range(1,amount+1):
            for coin in coins:
                if coin <= i:
                    dp[i] = min(dp[i], dp[i-coin]+1)      # 状态转移方程
                    
        return dp[amount] if dp[amount] != float('inf') else -1

4.4

minnum记录第i天前的最小价格(在那天买入),maxnum记录在第i天卖出时所能获得的最大利益

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        if prices:
            len1 = len(prices)
            if len1 == 1:return 0
            minnum = prices[0]; maxnum = -float('inf')
            for i in range(1, len1):
                minnum = min(minnum, prices[i])
                maxnum = max(maxnum, prices[i]-minnum)
            return maxnum
        return 0

你可能感兴趣的:(数据结构)