[LeetCode]Gray Code

本文介绍了一种生成灰码(Gray Code)的算法实现方法。灰码是一种特殊的二进制数序列,相邻两个数只有一位不同。文章提供了两种不同的实现思路及其对应的Java代码:递归方法和基于位运算的方法。

题目描述

The gray code is a binary numeral system where two successive values differ in only one bit.

Given a non-negative integer n representing the total number of bits in the code, print the sequence of gray code. A gray code sequence must begin with 0.

For example, given n = 2, return [0,1,3,2]. Its gray code sequence is:

00 - 0
01 - 1
11 - 3
10 - 2

Note:
For a given n, a gray code sequence is not uniquely defined.

For example, [0,2,3,1] is also a valid gray code sequence according to the above definition.

For now, the judge is able to judge based on one instance of gray code sequence. Sorry about that.

给出一种格雷码的实现。

解题思路

什么是Gray Code?
      在一组数的编码中,若任意两个相邻的代码只有一位二进制数不同,则称这种编码为格雷码(Gray Code),另外由于最大数与最小数之间也仅一位数不同,即“首尾相连”,因此又称循环码或反射码。在数字系统中,常要求代码按一定顺序变化。例如,按自然数递增计数,若采用8421码,则数0111变到1000时四位均要变化,而在实际电路中,4位的变化不可能绝对同时发生,则计数中可能出现短暂的其它代码(1100、1111等)。

怎样解题?
     乍一看题目貌似很麻烦。每一次将二进制码中的一位和上一个数相同的一位改变。怎样实现呢?

思路1
    通过观察我们发现一种实现格雷码的方法:
   
grayCode(n) = grayCode(n-1) + (grayCode(n)+2^(n-1))逆转;

思路2:
    这个是参考网上的帖子才知道的。
    二进制码->格雷码(编码):从最右边一位起,依次将每一位与左边一位异或(XOR),作为对应格雷码该位的值,最左边一位不变(相当于左边是0);
    格雷码->二进制码(解码):从左边第二位起,将每位与左边一位解码后的值异或,作为该位解码后的值(最左边一位依然不变)。
    这种方法更具有普适性,而且代码精炼。

代码

思路1代码:
public static ArrayList<Integer> grayCode(int n) {
		ArrayList<Integer> list  = new ArrayList<Integer>(n);
		
		if(n==0){
			list.add(0);
			return list;
		}
		if(n==1){
			list.add(0);
			list.add(1);
			return list;
		}
		
		ArrayList<Integer> childList = grayCode(n-1);
		int pow = (int) Math.pow(2, n-1);
		list.addAll(childList);
		for(int i = childList.size() - 1;i >= 0;i--){
			list.add(childList.get(i) + pow);
		}
		return list;
	}

思路2代码:
public static ArrayList<Integer> grayCode(int n) {
		ArrayList<Integer> list  = new ArrayList<Integer>(n);
		
		if(n==0){
			list.add(0);
			return list;
		}
		int nSize = 1 << n;  
        for (int i = 0; i < nSize; ++i)  
        {  
            list.add((i>>1)^i);  
        }  
		return list;
	}


随着人类对生命健康需求的不断增长,新药研发面临着前所未有的挑战。传统的药物研发流程通常耗时长达十年以上,耗资数十亿美元,且最终成功率极低,这在制药界被称为“反摩尔定律”困境。近年来,人工智能技术的飞速发展,特别是深度学习和大数据分析的广泛应用,为新药发现带来了革命性的契机。人工智能能够从海量的化学和生物数据中挖掘潜在规律,显著加速药物靶点发现、先导化合物优化等关键环节。在此背景下,本研究旨在设计并实现一个基于人工智能的新药发现辅助系统,以期为传统药物研发流程提供高效的智能化辅助工具,从而有效缩短研发周期并大幅降低研发成本。本研究以Python作为主要开发语言,深度结合PyTorch和TensorFlow两大主流深度学习框架,并集成RDKit化学信息学工具包,构建了一个功能完善的新药发现辅助系统。系统的核心目标是利用先进的人工智能技术辅助新药分子的设计与活性评估。在研究方法上,本文创新性地提出了一种融合多模态数据的新药发现算法。该算法综合处理分子的多种表示形式,包括一维的SMILES序列、二维的分子图结构以及三维的空间构象数据。通过构建多通道神经网络,系统能够有效提取并融合不同模态的特征,从而全面捕捉分子的理化性质与生物学活性之间的复杂非线性关系。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
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