leetcode专题训练96 Unique Binary Search Trees

这篇博客详细介绍了LeetCode第96题的三种解法,包括利用上一题思路避免回溯以优化时间复杂度,使用动态规划求解,以及揭示问题与卡特兰数的联系。解法1通过建立查找表减少重复计算,解法2利用动态规划的递推公式解决,解法3介绍卡特兰数公式直接求解。

开发板推荐:天空星STM32F407VET6开发板

超高性价比 STM32主控 | 超高主频 | 一板兼容百芯 | 比赛神器 | 沉金彩色丝印

解法1:
这道题和95题 Unique Binary Search Trees II很像,但是解题思路却相差很多。先用上一道题的思路按照递归写了一下,最后TLE超时了,后来想了一下超时原因,发现这道题由于只用输出个数,不用输出具体的树,所以右边界和左边界的差值相同的子树,数量都是相同的,所以就可以打个表,把已经算过的右边界和左边界的差值记录下来,下次再遇到相同的范围时,可以直接从表中获得结果,不用再回溯了。
需要注意在为表赋初始值时,一定要注意这个初始值能否真正到达。最开始我设置了result_list[1]=2,并没有考虑到n=1的情况,WA了一发,以后一定要注意。

class Solution:
    def numTrees(self, n: int) -> int:
        if n <= 0:
            return 0

        # 用于打表,索引是右边界和左边界的差值
        result_list = [0 for i in range(n)]
        result_list[0] = 1

        def recurse(begin: int, end: int) -> int:
            if begin >= end:
                return 1

            if result_list[end-begin] != 0:
                return result_list[end-begin]

            result = 0
            for i in range(begin, end+1):
                left = recurse(begin, i-1)
                right = recurse(i+1, end)
                result += left*right
            result_list[end-begin] = result
            return result

        return recurse(1, n)

解法2:
在解法1通过之后,看了一下题解,发现这道题可以用动态规划来解。因为一个树可以由左二叉搜索子树和右二叉搜索子树构成,而且相同节点个数的二叉搜索子树的个数相同。设dp[i]表示有i个节点数的二叉搜索树个数,而由于左子树和右子树的节点数都比i少,那么左右子树的二叉搜索树个数就已经算出来,可以直接用在dp[i]的计算上。以有3个节点的二叉搜索树为例:

dp[3]=dp[0]*dp[2]+dp[1]*dp[1]+dp[2]*dp[0]

所以动态规划方程为:
d p [ i ] = ∑ j = 0 i d p [ j ] ∗ d p [ i − j − 1 ] dp[i]=\sum^i_{j=0}{dp[j]*dp[i-j-1]} dp[i]=j=0idp[j]dp[ij1]
其中j是该搜索树左子树的节点个数。
需要注意dp[0]*dp[2]和dp[2]*dp[0]是对称的,值是一样的,所以可以将上式改为:

dp[3]=2*dp[0]*dp[2]+dp[1]*dp[1]

故,整体的代码如下:

class Solution:
    def numTrees(self, n: int) -> int:
        if n <= 0:
            return 0
        if n == 1:
            return 1

        dp = [0 for i in range(n+1)]
        dp[0] = 1
        dp[1] = 1
        for i in range(2, n+1):
            for j in range(i//2):
                dp[i] += 2*(dp[j]*dp[i-j-1])
            if i%2:
                dp[i] += dp[i//2]*dp[i//2]
        
        return dp[n]

解法3:
官方题解中说这个其实是卡特兰数,公式为:
在这里插入图片描述
有了公式之后,按照公式写代码就好了,没有什么难度,所以此处直接把题解拷贝在了下面,没有自己重新写。

class Solution(object):
    def numTrees(self, n):
        """
        :type n: int
        :rtype: int
        """
        C = 1
        for i in range(0, n):
            C = C * 2*(2*i+1)/(i+2)
        return int(C)

开发板推荐:天空星STM32F407VET6开发板

超高性价比 STM32主控 | 超高主频 | 一板兼容百芯 | 比赛神器 | 沉金彩色丝印

内容概要:本文系统研究了基于粒子群算法(PSO)的电动汽车充电动态优化策略,依托Matlab平台实现完整的仿真模型与优化算法,旨在通过智能优化手段提升充电过程的经济性与电网友好性。研究构建了综合考虑电网负荷曲线、实时电价波动、用户充电需求及时段偏好等多重因素的动态优化模型,采用粒子群算法高效求解电动汽车集群的最优充电调度方案,有效实现了削峰填谷、降低用户充电成本、提升电网运行稳定性以及促进可再生能源消纳的多重目标。文中提供了详尽的Matlab代码实现流程与仿真案例分析,便于读者复现结果并进行二次开发与算法拓展。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及工程技术人员,尤其适合从事电动汽车、智能电网、需求侧管理、优化调度及相关领域研究的专业人士。; 使用场景及目标:①应用于电动汽车充电站或充电服务平台的智能调度系统设计与优化;②作为高校与科研机构在智能优化算法、能源互联网、智慧交通等交叉学科教学与科研项目的核心参考案例;③支撑电力系统中需求侧响应、分布式能源协同控制及车网互动(V2G)技术的研究与工程实践。; 阅读建议:建议读者结合文中提供的Matlab代码进行仿真实践,重点关注粒子群算法在充电优化模型中的参数设置、收敛特性分析与全局寻优能力评估,同时可将其拓展至与其他智能算法(如遗传算法、灰狼优化、鲸鱼算法等)的性能对比研究,以深化对不同优化策略在复杂能源系统中适用性的理解。
内容概要:本文详细介绍了基于TI TMS320C5416芯片设计IIR带阻和陷波滤波器的方法,重点采用双线性变换法(BLT)与Z域极点-零点直接配置法进行数字滤波器的设计。资源涵盖了从理论分析、传递函数构建、参数计算到Matlab仿真及DSP平台实现的完整流程,深入解析了IIR滤波器的关键设计步骤,包括频率映射、避免混叠效应、稳定性保障以及滤波器频率响应特性的调控,帮助读者掌握在实际嵌入式系统中部署数字滤波算法的核心技术。; 适合人群:具备数字信号处理基础理论知识,熟悉Matlab编程与DSP开发流程,从事通信系统、音频处理、工业控制或嵌入式信号处理相关工作的研究生、工程师及科研人员。; 使用场景及目标:①深入理解IIR带阻与陷波滤波器的设计原理与应用场景;②掌握双线性变换法在离散系统中实现模拟滤波器映射的优势与注意事项;③学习如何通过极点与零点分布精确控制滤波器频率特性;④实现在TMS320C5416等定点DSP平台上完成滤波器算法的移植与验证,推进从仿真到硬件落地的全过程实践。; 阅读建议:建议读者结合提供的Matlab代码逐模块运行并观察仿真结果,重点关注不同极点零点配置对幅频响应的影响,并尝试修改截止频率、阻带衰减等参数以加深理解;进一步可将设计结果转化为C语言代码,在TMS320C5416开发环境中进行定点量化与性能测试,全面掌握工程实践中滤波器实现的关键挑战与优化策略。
内容概要:本文研究了一种计及自适应预测修正的微电网模型预测控制(MPC)优化调度方法,并提供了完整的Python代码实现。该方法融合了预测模型与实时反馈机制,针对微电网中可再生能源出力、负荷需求等存在的强不确定性,通过引入自适应机制动态修正预测偏差,有效提升了调度方案的精度与系统运行的鲁棒性。研究详细构建了包含分布式电源、储能系统及可控负荷的微电网数学模型,阐述了MPC框架下的滚动时域优化过程,实现了在降低系统综合运行成本的同时,保障微电网的安全稳定运行。; 适合人群:具备一定电力系统基础知识和Python编程能力的研究生、科研人员及从事微电网、综合能源系统优化调度相关工作的工程技术人员。; 使用场景及目标:①应用于高校或科研机构开展微电网能量管理系统的核心算法研究与教学实践;②为实际微电网工程项目提供一种考虑预测误差在线修正的先进优化调度解决方案,旨在提高新能源的消纳效率,增强系统应对不确定性的能力,并优化整体经济性。; 阅读建议:建议读者结合所提供的Python代码,深入理解MPC算法在微电网调度中的具体实现流程,重点关注预测模型构建、优化问题求解以及反馈校正环节的交互逻辑,可通过修改系统参数、调整预测误差场景等方式进行仿真验证,以探究不同条件下算法的性能表现。
内容概要:本文提出了一种基于灰狼优化算法(GWO)优化Elman神经网络的方法,并提供了完整的Matlab代码实现。该方法通过引入灰狼优化算法对Elman网络的初始权重和阈值进行全局寻优,有效解决了传统Elman神经网络易陷入局部最优、收敛速度慢、预测精度不稳定等问题。通过GWO的强全局搜索能力,提升了模型在处理非线性、动态性强的时间序列数据时的泛化能力和训练效率,特别适用于风电功率预测、电力负荷预测等复杂系统建模任务。文中详细阐述了算法的结构设计、优化流程、适应度函数构建及参数调优机制,并通过实验验证了其在预测精度和稳定性方面的优越性。; 适合人群:具备一定机器学习与智能优化算法理论基础,熟悉Matlab编程环境,从事时间序列预测、能源系统建模、自动化控制等领域研究的研究生、科研人员及工程技术人员(特别是工作1-3年的研发人员)。; 使用场景及目标:①提升Elman神经网络在风电、光伏、负荷等能源相关时间序列预测中的精度与鲁棒性;②解决动态系统建模中因参数初始化不当导致的收敛缓慢与性能下降问题;③为智能优化算法与递归神经网络的融合研究提供可复现、可拓展的技术方案。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,重点理解灰狼优化算法的种群演化机制与Elman网络动态反馈结构之间的协同关系,关注参数初始化策略、适应度函数设计以及训练过程中超参数的影响,通过对比实验深入掌握模型优化的关键环节,以实现最佳预测性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值