力扣 完全平方数

动态规划,找到前几个状态做更新。

题目

从题可看出又是一道dp,只要找到一个最大的平方数,然后往回退到上个状态,然后再用回退的状态加回去这个平方数即加上这一种。注意这里的所含平方数并不是随着数字变大而变大的,因此还要加多一层循环做遍历的维护,目的是找到的平方数少。

java 复制代码
class Solution {
    public int numSquares(int n) {
        int[] f = new int[n + 1];
        for (int i = 1; i <= n; i++) {
             f[i] = Integer.MAX_VALUE;
            for (int j = 1; j * j <= i; j++) {
                f[i] = Math.min(f[i], f[i - j * j]+1);//通过减去一个平方数对前面已经遍历的f[i]进行筛选
            }
        }
        return f[n];
    }
}

这里对fi做了频繁更新,实际只需要在后面更新一次即可,在做比较时可以用一个临时变量去存,这样就可以优化一下维护状态的数组了。

java 复制代码
class Solution {
    public int numSquares(int n) {
        int[] f = new int[n + 1];
        for (int i = 1; i <= n; i++) {
            int minn = Integer.MAX_VALUE;
            for (int j = 1; j * j <= i; j++) {
                minn = Math.min(minn, f[i - j * j]);//通过减去一个平方数对前面已经遍历的f[i]进行筛选
            }
            f[i] = minn + 1;//更新当前数时加回去j*j这种情况
        }
        return f[n];
    }
}

然后也可以换一下内外层循环,先去生成所有完全平方数,然后做更新。

时间复杂度:O(n√n),空间复杂度:O(n)。

java 复制代码
class Solution {
    public int numSquares(int n) {
       
        int[] f = new int[n + 1]; 
        Arrays.fill(f, Integer.MAX_VALUE); 
        f[0] = 0;
        
        for (int i = 1; i * i <= n; i++) {
            for (int j = i * i; j <= n; j++) {

                f[j] = Math.min(f[j], f[j - i * i] + 1);
            }
        }
        
        return f[n];
    }
}

在做dp时,学会找到状态间的关系,也要注意维护状态的数组优化。

相关推荐
Mr.HeBoYan13 分钟前
一次持续三天才出现的丢包故障——深入解析 DPDK Memory Ordering、rte_ring 与 CPU Memory Barrier (下)
linux·网络·算法·架构·dpdk
wabs6661 小时前
关于图论【深度优先搜索的理论基础】
算法·深度优先·图论
名字还没想好☜1 小时前
Go 的 time.Ticker 陷阱:定时任务里被忽略的内存泄漏与正确关闭
java·数据库·golang·go·定时器
先吃饱再说2 小时前
LeetCode 101. 对称二叉树
算法
音符犹如代码2 小时前
后端视角看 EventBus:发布订阅总线的原理、场景与用法
java·spring boot·guava
前端炒粉2 小时前
手撕小汇总
java·前端·javascript
是Dream呀2 小时前
人眼看不出的伪造,AI如何识别?实测合合信息跨模态鉴伪与去反光技术
算法
唐青枫2 小时前
Java Kafka 实战指南:从 Topic、分区到 Spring Boot 可靠消息处理
java
QN1幻化引擎2 小时前
SFA 信号场注意力:用8KB参数换248x KV Cache压缩,边缘设备也能跑长序列
人工智能·算法·gitee·gitlab
段一凡-华北理工大学3 小时前
向量数据库实战:选型、调优与落地~系列文章03:向量相似度算法全解:余弦、欧氏、内积,到底该用哪个?
大数据·数据库·人工智能·算法·机器学习·向量相似度·高炉炼铁