动态规划之解码方法【LeetCode】

动态规划之解码方法

  • 91. 解码方法
    • 解法1
    • 解法2

91. 解码方法

91. 解码方法

在这里插入图片描述

解法1

状态表示这是最重要的):dp[i]表示以第i个字符为结尾,解码方法的总数。
状态转移方程最难的):根据最近的一步来划分问题,从右向左思考,我们需要考虑s[i]和s[i-1]是单独为一个字符形成两个数字,还是合并为一个字符形成为一个数字。
  如果s[i]和s[i-1]是单独为一个字符形成两个数字,那么dp[i]的值就是dp[i-1]的值;
  如果s[i]和s[i-1]合并为一个字符形成为一个数字,那么dp[i]的值就是dp[i-2]的值。因为s[i]和s[i-1]都形成一个数字了,再dp[i]往前就是就是dp[i-2]了。
  因为单独一个0不能解码,所以当s[i]和s[i-1]是单独为一个字符时,若s[i]为’0’,dp[i] = 0;
  如果形成的两位数数字不在[10, 26]区间内的话(因为前导0不能编码,所以不是[1, 26]),所以当s[i]和s[i-1]合并为一个字符时,若超出这个范围了,dp[i] = 0;
初始化:因为我们得状态转移方程里面包含dp[i-1]和dp[i-2],所以我们需要初始化dp[0], dp[1],以免越界及无法计算。dp[0]就只有一个,我们只需要判断它是不是不为’0’即可,dp[0] = s[0] != '0';
  dp[1]的话有两种情况,单独为两个数1且分开成两个数,单独为一个数需要判断形成的这一个数是否在[10, 26]这个范围里面;分别为两个数只需要判断s[0]和s[1]是不是都不为’0’。
填表顺序:当我们求解当前问题时,需要知道所需较小子问题的解,这就需要我们先求解得到较小子问题的解,这就是填表顺序。我们这道解法是从左向右填表。
返回值return dp[n-1];

代码实现:

class Solution {
public:int numDecodings(string s) {// 创建dp表int n = s.size();vector<int> dp(n);// 初始化dp[0] = s[0] != '0';// 处理边界问题if(1 == n) return dp[0];if(s[0] != '0' && s[1] != '0') dp[1] = 1;int count = (s[0]-'0')*10 + s[1]-'0';if(count >= 10 && count <= 26) dp[1]++;// 填表for(int i = 2; i < n; i++){if(s[i] != '0') dp[i] += dp[i-1];int count1 = (s[i-1]-'0')*10 + s[i]-'0';if(count1 >= 10 && count1 <= 26) dp[i] += dp[i-2];}// 返回return dp[n-1];}
};

解法2

当我们观察解法1中的代码时,我们会发现如下图两个红圈中的代码是类似的,那么是否可以简化代码呢?
在这里插入图片描述
我们可以可以将解法1中的dp数组整体向右移动一个元素的位置, 解题思路和解法1一样,如此一来我们只需要初始化新增加的dp[0]和dp[1](解法1中dp数组的dp[0])。
dp[1]的初始化跟解法1一样:dp[1] = s[0] != '0';
但是dp[0]由于没有对应的字符,我们该如何给它赋值呢?
按理来说既然没有对应字符,那么我们应该将dp[0]初始化为0。如果这样的话,我们得代码将是这样的:

class Solution {
public:int numDecodings(string s) {// 创建dp表int n = s.size();vector<int> dp(n+1);// 初始化dp[0] = 0;dp[1] = s[0] != '0';// 填表for(int i = 2; i <= n; i++){if(s[i-1] != '0') dp[i] += dp[i-1];int count1 = (s[i-2]-'0')*10 + s[i-1]-'0';if(count1 >= 10 && count1 <= 26) dp[i] += dp[i-2];}// 返回return dp[n];}
};

在我们将注意力放在红圈里面,在计算dp[2]时,我们会发现,明明s[0]和s[1]组成的数字已经在[10, 26]这个范围之中了,但是dp[i] += dp[i-2]这个代码不能让dp[i]也就是dp[2]有任何变化,因为dp[i-2]也就是dp[0]被初始化为0了,但是应该使得dp[i]也就是dp[2]加上1的。所以,在我们初始化时,我们要将dp[0]初始化为1。
在这里插入图片描述
代码实现:

class Solution {
public:int numDecodings(string s) {// 创建dp表int n = s.size();vector<int> dp(n+1);// 初始化dp[0] = 1;dp[1] = s[0] != '0';// 填表for(int i = 2; i <= n; i++){if(s[i-1] != '0') dp[i] += dp[i-1];int count1 = (s[i-2]-'0')*10 + s[i-1]-'0';if(count1 >= 10 && count1 <= 26) dp[i] += dp[i-2];}// 返回return dp[n];}
};

     😄 创作不易,你的点赞和关注都是对我莫大的鼓励,再次感谢您的观看😄

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://xiahunao.cn/news/2815526.html

如若内容造成侵权/违法违规/事实不符,请联系瞎胡闹网进行投诉反馈,一经查实,立即删除!

相关文章

大模型(LLM)的token学习记录-I

文章目录 基本概念什么是token?如何理解token的长度&#xff1f;使用openai tokenizer 观察token的相关信息open ai的模型 token的特点token如何映射到数值&#xff1f;token级操作&#xff1a;精确地操作文本token 设计的局限性 tokenizationtoken 数量对LLM 的影响训练模型参…

134.乐理基础-音程名字的简写

内容参考于&#xff1a;三分钟音乐社 上一个内容&#xff1a;133.乐理基础-超过八度的音程判断单音程、复音程-CSDN博客 上一个内容里练习的答案&#xff1a; 音程的简写&#xff0c;然后有些练习无限判断隐藏的app&#xff0c;它给的不是大二度、增四度、小六度等等这样的中…

【MySQL】学习多表查询和笛卡尔积 - 副本

](https://img-blog.csdnimg.cn/21dd41dce63a4f2da07b9d879ad0120b.png#pic_center) ??个人主页: ??热门专栏: 华为鸿蒙系统学习|计算机网络|数据结构与算法 ??个人格言:“没有罗马,那就自己创造罗马~” #mermaid-svg-N8PeTKG6uLu4bJuM {font-family:“trebuchet ms”,…

同源不同页面之间的通信,SharedWorker使用

同源不同页面之间的通信&#xff0c;SharedWorker使用 描述实现结果 描述 同源不同页面之间的通信&#xff0c;使用SharedWorker&#xff0c;或者使用全局方法通信&#xff0c;这里使用SharedWorker来实现 mdn地址&#xff1a;https://developer.mozilla.org/zh-CN/docs/Web/A…

AUTOMATION 自动化控制

Ansible介绍: 部署ansible:yum -y install ansible 批量管理服务器的工具2015年被红帽公司收购使用Python语言编写的基于ssh进行管理&#xff0c;所以不需要在被管端安装任何软件 ansible在管理远程主机的时候&#xff0c;主要是通过各种模块进行操作的 配置ansible管理环境: …

模型预测控制MPC算法的讲解-案例(C语言代码)

目录 一、模型预测控制MPC的基本原理 1.1 建立模型 1.2 设定目标和约束条件 1.3 求解优化问题 1.4 应用控制输入 1.5 重复优化 二、模型预测控制MPC的特点 三、应用场景 四、应用案例 一个MPC算法的简化版框架&#xff1a; 4.1 案例系统模型 4.2 控制目标和当前状态…

Java中使用Jsoup实现网页内容爬取与Html内容解析并使用EasyExcel实现导出为Excel文件

场景 Pythont通过request以及BeautifulSoup爬取几千条情话&#xff1a; Pythont通过request以及BeautifulSoup爬取几千条情话_爬取情话-CSDN博客 Node-RED中使用html节点爬取HTML网页资料之爬取Node-RED的最新版本&#xff1a; Node-RED中使用html节点爬取HTML网页资料之爬…

链表之“带头双向循环链表”

目录 ​编辑 1.链表的分类 2.带头双向循环链表的实现 1.创建结构体 2.创建返回链表的头节点 3.双向链表销毁 4.双向链表打印 5.双向链表尾插 6.双向链表尾删 7.双向链表头插 8.双向链表头删 9.双向链表查找 10.双向链表在pos的前面进行插入 11.双向链表删除pos位…

蓝桥杯前端Web赛道-课程列表

蓝桥杯前端Web赛道-课程列表 题目链接&#xff1a;0课程列表 - 蓝桥云课 (lanqiao.cn) 题目要求如下&#xff1a; 分析题目我们发现其实就是需要我们手写一个分页的功能&#xff0c;根据题目的要求&#xff0c;分析如下 需要通过axios获取数据每页显示5条数据&#xff0c;默…

【深度学习笔记】深度卷积神经网络——NiN

网络中的网络&#xff08;NiN&#xff09; LeNet、AlexNet和VGG都有一个共同的设计模式&#xff1a;通过一系列的卷积层与汇聚层来提取空间结构特征&#xff1b;然后通过全连接层对特征的表征进行处理。 AlexNet和VGG对LeNet的改进主要在于如何扩大和加深这两个模块。 或者&am…

77. 组合(力扣LeetCode)

文章目录 77. 组合题目描述回溯算法组合问题的剪枝操作 77. 组合 题目描述 给定两个整数 n 和 k&#xff0c;返回范围 [1, n] 中所有可能的 k 个数的组合。 你可以按 任何顺序 返回答案。 示例 1&#xff1a; 输入&#xff1a;n 4, k 2 输出&#xff1a; [ [2,4], [3,4],…

抖音视频评论采集软件|抖音数据抓取工具

抖音视频评论采集软件是一款基于C#开发的高效、便捷的工具&#xff0c;旨在为用户提供全面的数据采集和分析服务。该软件不仅支持通过关键词进行搜索抓取&#xff0c;还能够通过分享链接进行单个视频的抓取和下载&#xff0c;让用户轻松获取抖音视频评论数据。 其中&#xff0c…

Java特性之设计模式【命令模式】

一、命令模式 概述 ​ 命令模式&#xff08;Command Pattern&#xff09;是一种数据驱动的设计模式&#xff0c;它属于行为型模式。请求以命令的形式包裹在对象中&#xff0c;并传给调用对象。调用对象寻找可以处理该命令的合适的对象&#xff0c;并把该命令传给相应的对象&…

进程间通信——进程与线程——day12

在进程间的通信&#xff0c;主要分为6部分内容&#xff0c;分别是&#xff1a;管道、信号、消息队列、共享内存、信号灯以及套接字 今天主要讲一下管道以及信号 管道 无名管道&#xff1a; 无名管道只能用于具有亲缘关系的进程间通信 pipeint pipe(int pipefd[2]);功能:创建…

QT C++实战:实现用户登录页面及多个界面跳转

主要思路 一个登录界面&#xff0c;以管理员Or普通用户登录管理员&#xff1a;一个管理员的操作界面&#xff0c;可以把数据录入到数据库中。有返回登陆按钮&#xff0c;可以选择重新登陆&#xff08;管理员Or普通用户普通用户&#xff1a;一个主界面&#xff0c;负责展示视频…

【海贼王的数据航海:利用数据结构成为数据海洋的霸主】链表—单链表

目录 1 -> 链表 1.1 -> 链表的概念及结构 1.2 -> 链表的分类 2 -> 无头单向非循环链表(单链表) 2.1 -> 接口声明 2.2 -> 接口实现 2.2.1 -> 动态申请一个结点 2.2.2 -> 单链表的打印 2.2.3 -> 单链表的尾插 2.2.4 -> 单链表的头插 2.…

React 模态框的设计(三)拖动组件的完善

我在上次的Draggable组件的设计中给了一个简化的方法&#xff0c;今天我来完善一下这个组件&#xff0c;可用于任何可移动组件的包裹。完善后的效果如下所示&#xff1a; 这个优化中&#xff0c;增加了一个注目的效果&#xff0c;还增加了触发可拖动区域的指定功能&#xff0c;…

设置虚拟内存

目录 1.作用&#xff1a;2.步骤&#xff1a;小结&#xff1a; 1.作用&#xff1a; 电脑的物理内存不够用时把一部分硬盘空间作为内存来使用&#xff0c;这部分硬盘空间就叫作虚拟内存。 2.步骤&#xff1a; 右键 我的电脑 属性 点到这里&#xff0c;取消勾选 选择好盘符和…

新版内容管理系统(CMS)搭建教程

基于云开发搭建的可视化的内容管理平台&#xff08;CMS&#xff09;&#xff0c;新版内容管理系统&#xff08;CMS&#xff09;搭建教程。由公~号&#xff08;木番薯科技&#xff09;提供教程支持。 1、云开发 2、更多 3、内容管理 4、去使用 5、允许 6、下一步 7、开始 8、开…

多特征变量序列预测(10)基于麻雀优化算法的CEEMDAN-SSA-Transformer-BiLSTM预测模型

目录 往期精彩内容&#xff1a; 前言 1 多特征变量数据集制作与预处理 1.1 导入数据 1.2 CEEMDAN分解 1.3 数据集制作与预处理 2 麻雀优化算法 2.1 麻雀优化算法介绍 2.2 基于Python的麻雀优化算法实现 2.3 麻雀优化算法-超参数寻优过程 3 基于Pytorch的CEEMDAN SSA…