博客
关于我
leetocode--------962. 最大宽度坡[1]
阅读量:200 次
发布时间:2019-02-28

本文共 1276 字,大约阅读时间需要 4 分钟。

为了解决这个问题,我们需要找出给定整数数组中的坡的最大宽度。坡是元组 (i, j),其中 i < j 且 A[i] ≤ A[j]。坡的宽度为 j - i。我们的目标是找出这样的坡的最大宽度,如果不存在则返回 0。

方法思路

为了高效地解决这个问题,我们可以使用单调栈的方法。具体步骤如下:

  • 初始化栈和数组:我们使用一个栈来记录潜在的右侧元素索引,并使用一个数组 right 来记录每个元素右侧满足条件的最大索引。
  • 从右到左遍历数组:对于每个元素,我们检查栈顶元素的值。如果栈顶元素的值小于当前元素的值,我们弹出栈顶元素,直到栈顶元素的值大于或等于当前元素的值。这样,栈顶元素就是当前元素右侧的最大索引。
  • 更新最大宽度:遍历完成后,我们遍历 right 数组,计算每个元素右侧最大索引与当前索引的差值,记录最大的宽度。
  • 这种方法的时间复杂度为 O(n),因为每个元素被弹出栈的次数最多为一次。

    解决代码

    class Solution:    def maxwidthramp(self, A):        n = len(A)        if n == 0:            return 0        right = [-1] * n        stack = []        for i in range(n-1, -1, -1):            while stack and stack[-1][0] < A[i]:                stack.pop()            if stack:                right[i] = stack[-1][1]            stack.append((A[i], i))        max_width = 0        for i in range(n):            if right[i] != -1:                current = right[i] - i                if current > max_width:                    max_width = current        return max_width

    代码解释

  • 初始化:我们初始化一个长度为 n 的数组 right,初始值为 -1,用于记录每个元素右侧的最大索引。栈用于记录潜在的右侧元素索引。
  • 从右到左遍历:对于每个元素 i,我们检查栈顶元素的值。如果栈顶元素的值小于当前元素的值,我们弹出栈顶元素,直到栈顶元素的值大于或等于当前元素的值。然后,我们将当前元素及其索引压入栈。
  • 更新 right 数组:在处理完每个元素后,如果栈不为空,栈顶元素就是当前元素右侧的最大索引,我们记录在 right 数组中。
  • 计算最大宽度:遍历 right 数组,计算每个元素右侧最大索引与当前索引的差值,记录最大的宽度。
  • 这种方法确保了我们在 O(n) 时间内高效地找到最大宽度的坡。

    转载地址:http://qpki.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
    查看>>
    OpenCV与AI深度学习 | 实用技巧 | 使用OpenCV进行模糊检测
    查看>>
    OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
    查看>>
    OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
    查看>>
    OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
    查看>>
    OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
    查看>>
    OpenCV与AI深度学习 | 深入浅出了解OCR识别票据原理
    查看>>
    OpenCV与AI深度学习 | 深度学习检测小目标常用方法
    查看>>
    OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
    查看>>
    OpenCV与AI深度学习 | 高效开源的OCR工具:Surya-OCR介绍与使用
    查看>>
    OpenCV与AI深度学习|16个含源码和数据集的计算机视觉实战项目(建议收藏!)
    查看>>
    Opencv中KNN背景分割器
    查看>>