算法细节系列(27):时间复杂度为何还能优化?
来源:互联网 发布:icloud备份数据恢复 编辑:程序博客网 时间:2024/05/22 13:54
算法细节系列(27):时间复杂度为何还能优化?
详细代码可以fork下Github上leetcode项目,不定期更新。
以下题目非常有意思,乍一看它们的时间复杂度都是平方级的,但实际情况,却可以通过【动态数据结构】进行记忆优化降低时间复杂度,或者可以通过【分治手段】来降低时间复杂度。但为何复杂度就降低了?
题目摘自leetcode:
- Leetcode 315. Count of Smaller Numbers After Self
- Leetcode 327. Count of Range Sum
- Leetcode 493. Reverse Pairs
Leetcode 315. Count of Smaller Numbers After Self
Problem:
You are given an integer array nums and you have to return a new counts array. The counts array has the property where counts[i] is the number of smaller elements to the right of nums[i].
Example 1:
Given nums = [5, 2, 6, 1]
To the right of 5 there are 2 smaller elements (2 and 1).
To the right of 2 there is only 1 smaller element (1).
To the right of 6 there is 1 smaller element (1).
To the right of 1 there is 0 smaller element.Return the array [2, 1, 1, 0].
解法1
都知道一种
public List<Integer> countSmaller(int[] nums) { List<Integer> count = new ArrayList<>(); for (int i = 0; i < nums.length; i++){ int cnt = 0; for (int j = i + 1; j < nums.length; j++){ if (nums[j] < nums[i]) cnt ++; } count.add(cnt); } return count; }
TLE,原因:无记忆化,能否利用记忆化手段来降低时间复杂度?不急,先看看它的遍历结构。
起初,我是以这种方式来判断是否能优化复杂度,但这种形式化手段无助于理解这道题的本质。但同样可以给我一点思路,首先,5需要比较2,6,1,而2需要比较6,1,那就意味着比较6和1的信息是重复的,这点很关键,也是我们是否能进一步优化的重点。
这道题其实可以这么看:
这样,这些题目的结构就相当清楚了,5需要知道(2,6,1)的信息,而2需要知道(6,1)的信息,所以我们的一个优化方案是:
从小集合扩展到大集合,且在扩展的同时记录小集合的信息,看看是否能够扩展成大集合时用到小集合的信息,这样就避免了多次计算小集合。
时间复杂度能不下去么?
解法2
回到这道题,避免多次计算的手段基本手段是利用记忆化手段把信息记录到数组中,或者任何一种高级数据结构中去。所以这道题的优化思路是:
- 从右至左不断从小集合扩展至大集合。
- 这种动态的结构可以维护元素之间的关系(如:大小关系)。
- 当存在大小关系(有序数组),那么在搜索时,可以用二分查找来减少时间复杂度。
而恰巧,这道题从右至左不断扩展集合元素时,维护的就应该是大小关系,所以该题的具体操作如下:
- 从右至左遍历每个元素,遍历过的元素交给一个动态结构管理(维护有序性)。
- 每当遍历一个新元素时,便可以通过二分查找来确定比它小的左侧元素个数。
实现就交给代码,哈哈,有思路慢慢磨代码,总能出来。
public List<Integer> countSmaller(int[] nums) { int len = nums.length; Integer[] ans = new Integer[len]; List<Integer> sorted = new ArrayList<>(); for (int i = len - 1; i >= 0; i--){ int index = findIndex(sorted, nums[i]); index = index == -1 ? 0 : index; ans[i] = index; sorted.add(index,nums[i]); } return Arrays.asList(ans); } private int findIndex(List<Integer> sorted, int target){ if (sorted.size() == 0) return 0; int lf = 0, rt = sorted.size()-1; while (lf < rt){ int mid = lf + (rt + 1 - lf) / 2; if (sorted.get(mid) >= target){ rt = mid - 1; }else{ lf = mid; } } if (sorted.get(lf) < target) return lf+1; return -1; }
这是二分手段,通过数组实现,但动态插入,ArrayList的时间复杂度为O(n),虽然查找快,但插入慢。但实现二分查找还有一种更高级的数据结构,BST,树在实现插入和查找的时间复杂度均为
解法3
同样的,BST的构建也是从右至左,而不是从左至右,神奇。基本思路差不多,把有序元素交给BST来维护,在插入和沉降的过程中,计算比它小的元素的个数。
如: nums = [3,2,2,6,1]
插入顺序:1 6 2 2 3括号中的含义:(sum, dup)sum 表示比它小的元素的个数,如结点6,比它小的元素有2个2和1个3,所以有3个。dup 表示重复元素,如2,有两。所以当我们插入一个5时,它会从树根慢慢沉降到它该去的地方。与此同时,边沉降边统计信息,如:比较 1 和 5 的大小,把1中的个数(0 + 1)累加,分别表示比1小的个数和1本身。比较 6 和 5 的大小,6比5大,所以修改结点6的信息,继续沉降。比较 2 和 5 的大小,累加 (0 + 2).比较 3 和 5 的大小,累加 (0 + 1).插入完成,且比它小的个数在沉降过程中已计算完毕。插入 7 试试它的过程。
代码如下:
class BstTree{ BstTree left; BstTree right; int sum, val, dup = 1; public BstTree(int sum, int val) { this.sum = sum; this.val = val; } @Override public String toString() { return "BstTree [val=" + val + "]"; } } private BstTree insert(int num, BstTree node, Integer[] ans, int i, int preSum){ if (node == null){ node = new BstTree(0,num); ans[i] = preSum; }else if (node.val == num){ node.dup++; ans[i] = preSum + node.sum; }else if (node.val > num){ node.sum++; node.left = insert(num, node.left, ans, i, preSum); }else{ node.right = insert(num, node.right, ans, i, preSum + node.sum + node.dup); } return node; } public List<Integer> countSmaller(int[] nums) { Integer[] ans = new Integer[nums.length]; BstTree root = null; for (int i = nums.length - 1; i >= 0; --i){ root = insert(nums[i], root, ans, i, 0); } return Arrays.asList(ans); }
在BST的插入实现上加些东西就好了。边沉降边计算,比较高级了。但BST它在最坏情况下,复杂度也为
解法4
考虑分治,逆序数用分治手段也能实现
nums = 6 4 1 8 7 5 2 9
这道题为什么能用分治?我也不知道为什么能用分治,但它的确是一种有效的手段,看看BST和分治解决这问题的视角对比:
分治的一个核心思想是分而治之,最后解能够合并它便是有效的。BST采用了信息记录的方式,在遍历所有元素的同时,不断维护有序性,从而降低时间复杂度。
来看看分治:
首先分治6,1的解一定是最终的解。但分治5,2的解一定不是最终解,因为它还需要6,1这一部分的信息。分治割裂它们的之间的关系,但最终在合并答案时,一定要有手段构造正确解。
如何构造正确解?
答:排序合并。因为我们知道了(5,2)和(6,1)的解,所以我们可以表示成:
5(2) 2(#) 括号内的元素表示比当前元素小的左侧元素,#表示空集6(1) 1(#)如何合并?排序!2(#) 5(2)1(#) 6(1)开始merge1(#) 因为1在(2,5)的左侧,所以不需要对它做任何处理1(#) 2(1)此时,2左侧的元素不再是空集,因为左侧有个1元素1(#) 2(1) 5(2,1)5左侧有元素1和之前的元素21(#) 2(1) 5(2,1) 6(1)6元素不做任何操作
同样地,时间复杂度之所以能够降低,是因为分治天然的记录了(6,1)的信息,并且在自底向上返回时,把信息交给了同一层的(5,2),所以它快很多。或许还有另外一个重要的原因,它是一种强归纳手段,每次把集合划分成两部分处理,深度只有
代码如下:
public List<Integer> countSmaller(int[] nums) { count = new int[nums.length]; int[] indexes = new int[nums.length]; for (int i = 0; i < nums.length; i++) indexes[i] = i; mergeSort(nums, indexes, 0, nums.length-1); List<Integer> ans = new ArrayList<>(); for (int i : count) ans.add(i); return ans; } private void mergeSort(int[] nums, int[] indexes, int lo, int hi){ if (hi <= lo) return; int mid = lo + (hi - lo) / 2; mergeSort(nums, indexes, lo, mid); mergeSort(nums, indexes, mid+1, hi); merge(nums, indexes, lo, hi); } int[] count; private void merge(int[] nums, int[] indexes, int lo, int hi){ int mid = lo + (hi - lo) / 2; int lf = lo; int rt = mid + 1; int[] aux = new int[hi - lo + 1]; int idx = 0; int cnt = 0; while (lf <= mid && rt <= hi){ int a1 = nums[indexes[lf]]; int a2 = nums[indexes[rt]]; if (a2 < a1){ aux[idx++] = indexes[rt++]; cnt++; }else{ aux[idx++] = indexes[lf]; count[indexes[lf]] += cnt; lf++; } } while (lf <= mid){ aux[idx++] = indexes[lf]; count[indexes[lf]] += cnt; lf++; } while (rt <= hi){ aux[idx++] = indexes[rt++]; } for (int i = lo; i <= hi; i++){ indexes[i] = aux[i-lo]; } }
当然如果专注于问题性质的话,我们可以总结一句话:
当前元素的左侧元素是顺序无关的。
如:
nums = [5,1,2,3]5: 1 2 35: 2 1 35: 3 2 1....这种形式都OK!答案对5没有影响,均为3所以还不如寻找一种最优的结构来简化搜索,那么自然是1,2,3咯
不瞎扯了,或许以后还会有其他的认识。
Leetcode 327. Count of Range Sum
Problem:
Given an integer array nums, return the number of range sums that lie in [lower, upper] inclusive.
Range sum S(i, j) is defined as the sum of the elements in nums between indices i and j (i ≤ j), inclusive.
Note:
- A naive algorithm of O(n2) is trivial. You MUST do better than that.
Example:
Given nums = [-2, 5, -1], lower = -2, upper = 2,
Return 3.
The three ranges are : [0, 0], [2, 2], [0, 2] and their respective sums are: -2, -1, 2.
有了前面一题的基础,用BST优化成
find:lower <= sums[j] - sums[i] <= upper转变:a. sums[j] - lower >= sums[i] 已知j,求在左侧符合<=sums[i]的个数b. sums[j] - upper <= sums[i] 已知j,求在左侧符合>=sums[i]的个数求的是交集,所以条件b还可以进行转换,求:c. sums[j] - upper > sums[i] 符合要求的个数而ans = 条件a产生的个数 - 条件c产生的个数条件a和条件b唯一的区别在于:对重复元素的计数
此处把查询和insert分开是非常有趣的操作,这样可以假想一个val,去找寻符合条件的sums[i],简化了不少代码。
代码如下:
public int countRangeSum(int[] nums, int lower, int upper) { if (nums == null || nums.length == 0) return 0; int ans = 0; long sum = 0; Node root = new Node(0); for (int i : nums){ sum += i; ans += getBound(sum - lower, root, true) - getBound(sum - upper, root, false); root = insert(root, sum); } return ans; } class Node{ long val; int dup; int small; Node left; Node right; public Node(long val){ this.val = val; dup = 1; } } private int getBound(long val, Node root, boolean includeSelf){ if (root == null) return 0; if (root.val == val) return root.small + (includeSelf ? root.dup : 0); else if (root.val > val){ return getBound(val, root.left, includeSelf); }else{ return root.small + root.dup + getBound(val, root.right, includeSelf); } } private Node insert(Node root, long num){ if (root == null){ root = new Node(num); }else if (root.val == num){ root.dup++; }else if (root.val < num){ root.right = insert(root.right, num); }else{ root.small++; root.left = insert(root.left, num); } return root; }
还有一种分治的做法,代码量不多,但细节很烦人,技巧性比较强,代码如下:
public int countRangeSum(int[] nums, int lower, int upper) { int n = nums.length; long[] sums = new long[n + 1]; for (int i = 0; i < n; ++i) sums[i + 1] = sums[i] + nums[i]; return countWhileMergeSort(sums, 0, n + 1, lower, upper); } private int countWhileMergeSort(long[] sums, int start, int end, int lower, int upper) { if (end - start <= 1) return 0; int mid = (start + end) / 2; int count = countWhileMergeSort(sums, start, mid, lower, upper) + countWhileMergeSort(sums, mid, end, lower, upper); int j = mid, k = mid, t = mid; long[] cache = new long[end - start]; for (int i = start, r = 0; i < mid; ++i, ++r) { while (k < end && sums[k] - sums[i] < lower) k++; while (j < end && sums[j] - sums[i] <= upper) j++; while (t < end && sums[t] < sums[i]) cache[r++] = sums[t++]; cache[r] = sums[i]; count += j - k; } System.arraycopy(cache, 0, sums, start, t - start); return count; }
其实在for循环中就做了两件事,一件是正常的归并操作,另外一件就是根据相同的sums[i]求符合sums[k]和sums[j]的个数情况,和之前BST的操作类似,先查询后归并。
Leetcode 493. Reverse Pairs
一个道理,但使用BST超时了,可以采用分治归并。代码如下:
public int reversePairs(int[] nums) { return mergeSort(nums, 0, nums.length-1); } private int mergeSort(int[] nums, int s, int e){ if (s >= e) return 0; int mid = s + (e - s) / 2; int cnt = mergeSort(nums, s, mid) + mergeSort(nums, mid + 1, e); for (int i = s, j = mid + 1; i <= mid; ++i) { while (j <= e && nums[i] / 2.0 > nums[j]) j++; cnt += j - (mid + 1); } merge(nums, s, e); return cnt; } private void merge(int[] nums, int s, int e){ int[] aux = new int[e - s + 1]; int mid = s + (e - s) / 2; int i = s; int j = mid + 1; int k = 0; while (i <= mid && j <= e){ if (nums[i] < nums[j]) aux[k++] = nums[i++]; else aux[k++] = nums[j++]; } while (i <= mid){ aux[k++] = nums[i++]; } while (j <= e){ aux[k++] = nums[j++]; } for (int l = 0; l < aux.length; ++l){ nums[l + s] = aux[l]; } }
- 算法细节系列(27):时间复杂度为何还能优化?
- 数据结构入门学习系列-2(算法的时间复杂度)
- 【算法】【转】时间复杂度!还不会算O(神马n)么?
- 时间复杂度(算法分析)
- 算法(一)时间复杂度
- 从细节看,为何360能独占鳌头
- 算法 时间复杂度|空间复杂度
- 算法 时间复杂度|空间复杂度
- 算法 时间复杂度|空间复杂度
- 算法时间复杂度&空间复杂度
- 算法-时间复杂度、空间复杂度
- 算法复杂度--时间复杂度,空间复杂度
- 数据结构--算法(时间复杂度和空间复杂度)
- 算法的时间复杂度和空间复杂度(1)
- 各类排序法的算法复杂度(时间复杂度)
- 算法(1)时间复杂度 和 空间复杂度
- 数据结构(算法的时间复杂度和空间复杂度)
- 算法的时间复杂度(计算实例)
- Android事件传递机制(四)
- 打开即玩,H5游戏的实时分享性
- CSS 书写规范、顺序
- Python中filter筛选函数匿名参数问题
- Linux Shell Awk 流程控制语句详细介绍
- 算法细节系列(27):时间复杂度为何还能优化?
- SLAM数据关联
- 第5篇-JAVA面向对象Ⅰ
- 【项目记录】山东大学场馆管理系统之——文档管理
- pic ccp捕捉
- 截取小数点后两位
- curl get post语句
- MySQL事务隔离级别详解
- “早知道这些我的公司就不会死”系列(一):CAC、LTV、PBP