leetcode日记(51)不同路径Ⅱ

和上一道题(无障碍物的最短路径)很像,但事实上比上一题多了优化方法

根据上一题改的代码如下,添加了对障碍物的判定,如果有障碍物则将数组值设为0。

cpp 复制代码
class Solution {
public:
    int uniquePathsWithObstacles(vector<vector<int>>& obstacleGrid) {
        int m=obstacleGrid.size();
        int n=obstacleGrid[0].size();
        int a[m][n];
        for(int i=0;i<m;i++) for(int j=0;j<n;j++) a[i][j]=0;
        for(int i=0;i<n&&obstacleGrid[0][i]==0;i++) a[0][i]=1;
        for(int i=0;i<m&&obstacleGrid[i][0]==0;i++) a[i][0]=1;
        for(int i=1;i<m;i++){
            for(int j=1;j<n;j++){
                if(obstacleGrid[i][j]==0) a[i][j]=a[i-1][j]+a[i][j-1];
            }
        }
        return a[m-1][n-1];
    }
};

然后看了答案,答案说可以使用滚动数组优化,就又去搜了一下滚动数组的使用方法。

参考了一下63. 不同路径 II(C++)---动态规划解题(并进行滚动数组思想优化),琢磨了一下代码,原理是将上面的二维数组优化成了一维,记录开始位置到达每一行末尾的路径数。如有障碍物则直接将数目设为0,然后继续遍历这一行;没有障碍物就将数目设为上一行路径数加上这一行路径数。

需要注意的是遍历方向,按照上面这种思路需要先遍历列再遍历行,如果先遍历行,如果上一行末尾有障碍物那么下一行就通过不了。

cpp 复制代码
class Solution {
public:
    int uniquePathsWithObstacles(vector<vector<int>>& obstacleGrid) {
        int m=obstacleGrid.size();
        int n=obstacleGrid[0].size();
        vector<int> a(m);
        a[0]=!obstacleGrid[0][0];
        for(int j=0;j<n;j++){
            for(int i=0;i<m;i++){
                if(obstacleGrid[i][j]) a[i]=0;
                else if(i>0&&!obstacleGrid[i-1][j]) a[i]+=a[i-1];
                cout<<i<<" "<<j<<" "<<a[i]<<endl;
            }
        }
        return a[m-1];
    }
};

感觉这个方法很熟悉,前几天的一道题也用过这种思路(虽然也是看答案知道的就是了)

相关推荐
阿维的博客日记1 分钟前
LeetCode 139. 单词拆分 - 动态规划解法详解
leetcode·动态规划·代理模式
程序员Xu1 小时前
【LeetCode热题100道笔记】二叉树的右视图
笔记·算法·leetcode
笑脸惹桃花1 小时前
50系显卡训练深度学习YOLO等算法报错的解决方法
深度学习·算法·yolo·torch·cuda
阿维的博客日记2 小时前
LeetCode 48 - 旋转图像算法详解(全网最优雅的Java算法
算法·leetcode
GEO_YScsn2 小时前
Rust 的生命周期与借用检查:安全性深度保障的基石
网络·算法
程序员Xu2 小时前
【LeetCode热题100道笔记】二叉搜索树中第 K 小的元素
笔记·算法·leetcode
THMAIL3 小时前
机器学习从入门到精通 - 数据预处理实战秘籍:清洗、转换与特征工程入门
人工智能·python·算法·机器学习·数据挖掘·逻辑回归
Kevinhbr4 小时前
CSP-J/S IS COMING
数据结构·c++·算法
蕓晨4 小时前
set的插入和pair的用法
c++·算法
THMAIL4 小时前
深度学习从入门到精通 - AutoML与神经网络搜索(NAS):自动化模型设计未来
人工智能·python·深度学习·神经网络·算法·机器学习·逻辑回归