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

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

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

poj 3974 and hdu 3068 最长回文串的O(n)解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大,用原来的O(n^2)会爆。 小白上的O(n^2)解法代码:TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

6.1.数据结构-c/c++堆详解下篇(堆排序,TopK问题)

上篇:6.1.数据结构-c/c++模拟实现堆上篇(向下,上调整算法,建堆,增删数据)-CSDN博客 本章重点 1.使用堆来完成堆排序 2.使用堆解决TopK问题 目录 一.堆排序 1.1 思路 1.2 代码 1.3 简单测试 二.TopK问题 2.1 思路(求最小): 2.2 C语言代码(手写堆) 2.3 C++代码(使用优先级队列 priority_queue)

dp算法练习题【8】

不同二叉搜索树 96. 不同的二叉搜索树 给你一个整数 n ,求恰由 n 个节点组成且节点值从 1 到 n 互不相同的 二叉搜索树 有多少种?返回满足题意的二叉搜索树的种数。 示例 1: 输入:n = 3输出:5 示例 2: 输入:n = 1输出:1 class Solution {public int numTrees(int n) {int[] dp = new int