数据结构与算法之堆: Leetcode 313. 超级丑数 (Typescript版)

2023-10-07 23:15

本文主要是介绍数据结构与算法之堆: Leetcode 313. 超级丑数 (Typescript版),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

超级丑数

  • https://leetcode.cn/problems/super-ugly-number/

描述

  • 超级丑数 是一个正整数,并满足其所有质因数都出现在质数数组 primes 中。
  • 给你一个整数 n 和一个整数数组 primes ,返回第 n 个 超级丑数 。
  • 题目数据保证第 n 个 超级丑数 在 32-bit 带符号整数范围内。

示例 1

输入:n = 12, primes = [2,7,13,19]
输出:32 
解释:给定长度为 4 的质数数组 primes = [2,7,13,19],前 12 个超级丑数序列为:[1,2,4,7,8,13,14,16,19,26,28,32] 。

示例 2

输入:n = 1, primes = [2,3,5]
输出:1
解释:1 不含质因数,因此它的所有质因数都在质数数组 primes = [2,3,5] 中。

提示

  • 1 <= n <= 1 0 5 10^5 105
  • 1 <= primes.length <= 100
  • 2 <= primes[i] <= 1000
  • 题目数据 保证 primes[i] 是一个质数
  • primes 中的所有值都 互不相同 ,且按 递增顺序 排列

算法实现

  • 首先要了解下质数
    • 又称素数,有无限个
    • 质数定义为在大于1的自然数中,除了1和它本身以外不再有其他因数
  • 再看下质因数
    • 是一个数的约数,并且是质数
  • 再次要了解丑数
    • 只包含因子2,3,5的正整数被称为丑数,比如4,10,12都是丑数,而7,23,111则不是丑数,另外1也是丑数
  • 超级丑数
    • 和丑数不是一回事
    • 是指所有质因数都是长度为k的质数列表primes中的正整数

1 )将问题分而治之

class Ugly {n: number = 0;primes: number[] = [];constructor (n: number, primes: number[]) {this.n = n;this.primes = primes;}// 获取第n个超级丑数,本质是一个查询操作getNthUg() {const res = [1]; // 超级丑数列表let i = 2; // 从2开始找const { primes, n } = this;while (res.length < n) {const arr = Ugly.getPrimes(i); // 获取当前i的所有质因数列表const l = arr.length; // 质因数列表长度的let j = 0; // 指针往上数// 遍历当前i的所有质因数找到和primes列表中匹配的质因数, 有一个不匹配都算失败for (; j < l; j++) {// 匹配不到则退出if (!primes.find(item => item === arr[j])) break;}// 这时候上面的for循环遍历完成, 而且当前i的所有质因数都匹配成功, 就可以进行下一步的操作if (j === l) {(l === 0) && primes.find((item) => item === i) && res.push(i); // 当前没有质因数(上面for不会执行),但是当前的i在给定列表中,存储i(满足超级丑数)(l !== 0) && res.push(i); // 当前i存在质因数列表时,存储 i(满足超级丑数)}i++; // i 递增}return res[n - 1]; // 获取第n个}// 计算指定正整数n的质因数static getPrimes (n) {const prime = (n) => {const arr = []; // 存储所有的质因数for (let i = 2; i <= n / 2; i++) {if (n % i === 0 && !prime(i).length) arr.push(i); // 这里有一个递归找质因数}return arr;}return prime(n);}
}function nthSuperUglyNumber(n: number, primes: number[]): number {const ugly = new Ugly(n, primes);return ugly.getNthUg();
};
  • 思路:
    • 给定任意整数,算出其质因数
    • 质因数是否在指定质因数范围内
    • 是否达到指定个数 n
  • 干扰点:丑数和超级丑数不是一回事
  • 正整数的质因数的算法
    • 如果这个正整数是n, 它的因数(约数)的范围一定在 [2, n/2]
    • 当然这个 n/2 可能不是整数,但是范围就在这儿
    • 先判断是否是因数: n能被i整除
    • 质因数:不仅要满足是因数,而且都是质数(除了1和它本身没有其他因数)
    • 质数如何解决呢,这里就用到了递归,如果整数后找不到其他因数,则本身就是质数
    • 这里 !prime(i).length 是判断质数的关键
  • 还要注意 getNthUg 方法中的查询操作,这是一个循规蹈矩的做法,但是性能很低
    • 性能瓶颈在,查找两个数组的方法
    • 目前在 第 77 个 case 的时候, 提示:超出时间限制
    • 我们需要提升查找效率

2 )使用堆结构来提升查找性能,优化版

class Ugly {n: number = 0;primes: MaxHeap;constructor (n: number, primes: number[]) {this.n = n;this.primes = new MaxHeap(primes);}// 获取第n个超级丑数,本质是一个查询操作getNthUg() {const res = [1];let i = 2; // 从2开始找const { primes, n } = this;while (res.length < n) {const arr = Ugly.getPrimes(i); // 获取当前i的所有质因数列表const l = arr.length; // 质因数列表长度的let j = 0; // 指针往上数// 遍历当前i的所有质因数找到和primes列表中匹配的质因数, 有一个不匹配都算失败for (; j < l; j++) {// 匹配不到则退出if (!primes.find(arr[j])) break;}// 这时候上面的for循环遍历完成, 而且当前i的所有质因数都匹配成功, 就可以进行下一步的操作if (j === l) {(l === 0) && primes.find(i) && res.push(i); // 当前没有质因数(上面for不会执行),但是当前的i在给定列表中,存储i(满足超级丑数)(l !== 0) && res.push(i); // 当前i存在质因数列表时,存储 i(满足超级丑数)}i++; // i 递增}return res[n - 1]; // 获取第n个}// 计算指定正整数n的质因数static getPrimes (n) {const prime = (n) => {const arr = []; // 存储所有的质因数for (let i = 2; i <= n / 2; i++) {if (n % i === 0 && !prime(i).length) arr.push(i); // 这里有一个递归找质因数}return arr;}return prime(n);}
}class MaxHeap {heap: number[] = [];max: number = 0;constructor (arr) {this.heap = arr;this.max = arr.length;this.sort();}sort () {const iArr = this.heap;const n = iArr.length;if (n <= 1) return iArr;for (let i = Math.floor(n / 2); i >= 0; i--) {MaxHeap.maxHeapify(iArr, i, n);}return iArr;}// 交换两个元素static swap (arr, i, j) {if (i === j) return;[arr[i], arr[j]] = [arr[j], arr[i]];}// 构建最大堆的过程static maxHeapify (Arr, i, size) {// 左节点(索引)const l = i * 2 + 1;// 右节点const r = i * 2 + 2;let largest = i;// 父节点i和左节点l做比较取最大if (l <= size && Arr[l] > Arr[largest]) largest = l;// 右节点和最大值比较if (r <= size && Arr[r] > Arr[largest]) largest = r;if (largest !== i) {MaxHeap.swap(Arr, i, largest)MaxHeap.maxHeapify(Arr, largest, size)}}find (val, i = 0) {const arr = this.heap;if (val > arr[i] || i > this.max) return false;if (val === arr[i]) return val;return this.find(val, i * 2 + 1) || this.find(val, i * 2 + 2);}
}function nthSuperUglyNumber(n: number, primes: number[]): number {const ugly = new Ugly(n, primes);return ugly.getNthUg();
};
  • 使用堆结构,取代普通数组结构,让查找效率提升 O(n) => O(logn)
  • 但是这里仍有大量递归运算,消耗太多性能
  • 同样,在第77个case时出现了提示:超出时间限制

3 )使用动态规划

function nthSuperUglyNumber (n: number, primes: number[]) {const dp = new Array(n + 1).fill(0);const m = primes.length;const pointers = new Array(m).fill(0);const nums = new Array(m).fill(1);for (let i = 1; i <= n; i++) {let minNum = Number.MAX_SAFE_INTEGER;for (let j = 0; j < m; j++) {minNum = Math.min(minNum, nums[j]);}dp[i] = minNum;for (let j = 0; j < m; j++) {if (nums[j] == minNum) {pointers[j]++;nums[j] = dp[pointers[j]] * primes[j];}}}return dp[n];
};
  • 这是官方做法, 动态规划解决了递归的问题,由递归变成了递推
  • 时间复杂度 O(nm) ≈ O( n 2 n^2 n2)

这篇关于数据结构与算法之堆: Leetcode 313. 超级丑数 (Typescript版)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/161083

相关文章

C#数据结构之字符串(string)详解

《C#数据结构之字符串(string)详解》:本文主要介绍C#数据结构之字符串(string),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录转义字符序列字符串的创建字符串的声明null字符串与空字符串重复单字符字符串的构造字符串的属性和常用方法属性常用方法总结摘

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为

Rust中的BoxT之堆上的数据与递归类型详解

《Rust中的BoxT之堆上的数据与递归类型详解》本文介绍了Rust中的BoxT类型,包括其在堆与栈之间的内存分配,性能优势,以及如何利用BoxT来实现递归类型和处理大小未知类型,通过BoxT,Rus... 目录1. Box<T> 的基础知识1.1 堆与栈的分工1.2 性能优势2.1 递归类型的问题2.2

通俗易懂的Java常见限流算法具体实现

《通俗易懂的Java常见限流算法具体实现》:本文主要介绍Java常见限流算法具体实现的相关资料,包括漏桶算法、令牌桶算法、Nginx限流和Redis+Lua限流的实现原理和具体步骤,并比较了它们的... 目录一、漏桶算法1.漏桶算法的思想和原理2.具体实现二、令牌桶算法1.令牌桶算法流程:2.具体实现2.1

Go语言中三种容器类型的数据结构详解

《Go语言中三种容器类型的数据结构详解》在Go语言中,有三种主要的容器类型用于存储和操作集合数据:本文主要介绍三者的使用与区别,感兴趣的小伙伴可以跟随小编一起学习一下... 目录基本概念1. 数组(Array)2. 切片(Slice)3. 映射(Map)对比总结注意事项基本概念在 Go 语言中,有三种主要

Python中的随机森林算法与实战

《Python中的随机森林算法与实战》本文详细介绍了随机森林算法,包括其原理、实现步骤、分类和回归案例,并讨论了其优点和缺点,通过面向对象编程实现了一个简单的随机森林模型,并应用于鸢尾花分类和波士顿房... 目录1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例:使用随机森林预测鸢尾花品种4.1

哈希leetcode-1

目录 1前言 2.例题  2.1两数之和 2.2判断是否互为字符重排 2.3存在重复元素1 2.4存在重复元素2 2.5字母异位词分组 1前言 哈希表主要是适合于快速查找某个元素(O(1)) 当我们要频繁的查找某个元素,第一哈希表O(1),第二,二分O(log n) 一般可以分为语言自带的容器哈希和用数组模拟的简易哈希。 最简单的比如数组模拟字符存储,只要开26个c