LeetCode 462 - 最小操作次数使数组元素相等 II


文章目录

摘要

这道题看起来像个"数学题",但其实更准确地说,它是一个非常典型的工程决策问题

当你可以自由地调整每个元素,目标是让整体成本最低时,应该把大家"拉"到哪里?

很多人第一反应是"取平均数",但这道题偏偏不是。

真正的答案,其实和一个我们经常忽略、但非常重要的概念有关:中位数

描述

题目给你一个整数数组 nums,你可以做的操作非常简单:

  • 每一次操作

    • 让某一个元素 +1
    • 或者 -1

你的目标只有一个:

最少的操作次数 ,让数组里的所有元素变得完全一样

注意几个隐含信息:

  • 每次操作只影响一个元素
  • 每次只加 1 或减 1
  • 最终大家要"对齐"到同一个值
  • 数组长度最多 10 万,值的范围很大

题解答案

这道题的结论非常明确,而且值得你记住:

把所有元素调整到数组的中位数,操作次数最少。

具体做法就是:

  1. 对数组排序
  2. 取中位数
  3. 累加所有元素到中位数的绝对差

题解代码分析

为什么不是平均数?

我们先从直觉入手。

很多人会想:

"让大家都变成平均数,整体差距不是最小吗?"

但这里有一个坑:
平均数并不一定是整数,而且即使是整数,也不一定最优。

举个简单的例子:

复制代码
nums = [1, 2, 10]
平均数 = 4.33

如果你强行往 4 或 5 拉,左右两边的代价是不对称的。

中位数为什么是最优解?

这是这道题的核心。

如果你把数组排好序:

复制代码
a1 <= a2 <= ... <= an

当你选择一个目标值 x 时,总操作次数是:

复制代码
|a1 - x| + |a2 - x| + ... + |an - x|

这个函数在数学上有一个非常重要的性质:

当 x 取中位数时,上式取得最小值

直观理解就是:

  • 中位数左边的人,往右拉
  • 中位数右边的人,往左拉
  • 两边的"拉力"正好平衡

这和"拉一群人站成一排,站到最中间最省力"是一个道理。

为什么偶数个元素也没问题?

如果数组长度是偶数,比如:

复制代码
[1, 2, 9, 10]

中位数其实是一个区间 [2, 9]

你选 23、...、9得到的最小操作次数是一样的

所以实现时,直接选排序后 n / 2 位置的值即可。

Swift 可运行 Demo 代码

swift 复制代码
import Foundation

class Solution {
    func minMoves2(_ nums: [Int]) -> Int {
        let sortedNums = nums.sorted()
        let n = sortedNums.count
        let median = sortedNums[n / 2]

        var moves = 0
        for num in sortedNums {
            moves += abs(num - median)
        }

        return moves
    }
}

代码逐步解析

swift 复制代码
let sortedNums = nums.sorted()

先排序,这是找到中位数的前提。

时间复杂度主要也花在这一步。

swift 复制代码
let median = sortedNums[n / 2]
  • 奇数长度:正中间
  • 偶数长度:取右中位数即可

不需要纠结选哪一个,只要是中位数区间内的值都行。

swift 复制代码
moves += abs(num - median)

这一步非常直观:

  • 每个元素到目标值的距离
  • 就是需要的操作次数

示例测试及结果

swift 复制代码
let solution = Solution()

print(solution.minMoves2([1, 2, 3]))        // 2
print(solution.minMoves2([1, 10, 2, 9]))    // 16
print(solution.minMoves2([1, 1, 1]))        // 0
print(solution.minMoves2([1, 1000000000]))  // 999999999

输出结果:

复制代码
2
16
0
999999999

和题目示例完全一致。

与实际场景结合

这道题在真实工程里,其实非常常见,只是你可能没意识到。

几个典型场景:

  1. 负载均衡

    • 把请求量调整到一个"最省整体迁移成本"的点
  2. 数据校准

    • 传感器读数对齐,减少整体修正代价
  3. 日志时间修正

    • 把时间戳统一到一个参考值
  4. 费用对齐

    • 多人分摊成本时,调整到"最公平、最少改动"的值

这些问题,本质上都是:

在一维数轴上,找到一个点,使得到所有点的总距离最小。

答案,几乎永远都是:中位数

时间复杂度

复制代码
O(n log n)
  • 排序占主要时间
  • 后续遍历是 O(n)

空间复杂度

复制代码
O(n)

排序使用了额外数组空间(Swift 的 sorted())。

如果需要极致优化,可以用原地排序或快速选择算法。

总结

这道题非常适合用来建立一个重要直觉:

平均数解决的是"平方误差最小",中位数解决的是"绝对误差最小"。

一旦你把这个区分记牢:

  • 这道题基本就是秒解
  • 很多"看起来像数学题"的工程问题,也会变得异常清晰
相关推荐
你撅嘴真丑3 小时前
第九章-数字三角形
算法
uesowys4 小时前
Apache Spark算法开发指导-One-vs-Rest classifier
人工智能·算法·spark
ValhallaCoder4 小时前
hot100-二叉树I
数据结构·python·算法·二叉树
董董灿是个攻城狮4 小时前
AI 视觉连载1:像素
算法
智驱力人工智能4 小时前
小区高空抛物AI实时预警方案 筑牢社区头顶安全的实践 高空抛物检测 高空抛物监控安装教程 高空抛物误报率优化方案 高空抛物监控案例分享
人工智能·深度学习·opencv·算法·安全·yolo·边缘计算
孞㐑¥5 小时前
算法——BFS
开发语言·c++·经验分享·笔记·算法
月挽清风5 小时前
代码随想录第十五天
数据结构·算法·leetcode
XX風5 小时前
8.1 PFH&&FPFH
图像处理·算法
NEXT066 小时前
前端算法:从 O(n²) 到 O(n),列表转树的极致优化
前端·数据结构·算法
代码游侠6 小时前
学习笔记——设备树基础
linux·运维·开发语言·单片机·算法