Java模拟算法题目练习

Java模拟算法题目练习

模拟算法

模拟算法就是根据其题目进行一步一步操作即可,相对而言较简单,但是边界情况要处理好(细节问题)

替换所有的问好

在这里插入图片描述
题目解析:将s字符串中的?全部替换成小写字母,并且替换?的字符不可以与原本?相邻的两个字符相等
模拟:只需要根据题目条件,找出所有?,并将其替换成符合要求的小写字母即可
在这里插入图片描述
classSolution{publicStringmodifyString(String ss){//替换问好,但是相邻的不可以重复int n = ss.length();char[] s = ss.toCharArray();for(int i =0; i < n;i++){if(s[i]=='?'){//找一个符合条件的字母替换for(char ch ='a'; ch <'z';ch++){//注意?在最左边和最右边这两个边界情况if((i==0|| s[i-1]!= ch)&&(i == n-1|| s[i+1]!= ch)){ s[i]= ch;break;}}}}returnString.valueOf(s);}}
时间复杂度:O(n)
空间复杂度:O(n)

提莫攻击

在这里插入图片描述
题目解析:提莫会对艾希释放技能,让艾希处于中毒状态,求出中毒的总时间
模拟:会出现一次技能持续时间还没有结束,又释放了一个技能
因此我们要判断相邻两次释放技能时间差值与技能持续时间进行对比
如果差值大于或者等于技能持续时间,总时间就加上duration
反之,总时间就加上差值
但是这加上的都是上一次技能的持续时间,因此最后要加上duration,因为最后一次技能肯定会执行完
在这里插入图片描述
classSolution{publicintfindPoisonedDuration(int[] timeSeries,int duration){//判断这次攻击与上次攻击的时间差值即可//差值 >= duration,上一次执行时间为duration//反之 < duration, 上一次执行的时间就是差值int sum =0;for(int i =1;i < timeSeries.length;i++){int x = timeSeries[i]- timeSeries[i -1];if(x >= duration){ sum += duration;}else{ sum += x;}}//加上最后一次技能的持续时间return sum + duration;}}
时间复杂度:O(n)
空间复杂度:O(1)

Z字形变换

在这里插入图片描述
题目解析:给一个字符串,输出其Z字形转换后,按行放入一个新的字符串中返回
模拟:可以直接将其全部字符按照Z字形放到二维矩阵中,并遍历即可,但是时间复杂度和空间复杂度较高,因此我们看看可以找规律吗
在这里插入图片描述
在这里插入图片描述
此时要注意当n = 1时候,其可能会死循环,因此要判断一下
classSolution{publicStringconvert(String s,int numRows){if(numRows <2){return s;}int n = s.length();//公差int d =2*numRows -2;StringBuffer ret =newStringBuffer();//第一行for(int i =0;i < n;i += d){ ret.append(s.charAt(i));}//中间行for(int k =1;k < numRows -1;k++){for(int i = k,j = d - i;i < n||j< n;i += d,j += d){if(i < n){ ret.append(s.charAt(i));}if(j < n){ ret.append(s.charAt(j));}}}for(int i = numRows-1;i < n;i += d){ ret.append(s.charAt(i));}return ret.toString();}}
时间复杂度:O(n)
空间复杂度:O(n)

外观数列

在这里插入图片描述
题目解析:就是有很多行的字符串,每一行字符串都是解释的上一行字符串,找出第n行字符串
模拟+双指针
在这里插入图片描述
classSolution{publicStringcountAndSay(int n){//一直解释,解释到第n行String ret ="1";for(int i =1; i < n;i++){//存放当前这一行的解释StringBuilder tem =newStringBuilder();//当前行的长度int len = ret.length();//开始解释for(int left =0,right =0;right < len;){while(right < len&&ret.charAt(left)== ret.charAt(right)){ right++;//直到不相同为止} tem.append(Integer.toString(right - left)); tem.append(ret.charAt(left)); left = right;} ret = tem.toString();}return ret;}}

数青蛙

在这里插入图片描述
题目解析:给了一个字符串,求最小青蛙数量,这里完整的croak才是哇叫,如果存在不完整的就返回-1
模拟+哈希表
因此每次遍历到那个字符都要判断其前驱字符是否存在
使用一个数组放croak对应元素个数
因为这里要找前驱,所以一个哈希表,存放croak这些字符对应下标关系,这样可以对应到上面数组中个数
在这里插入图片描述
在这里插入图片描述


在这里插入图片描述


在这里插入图片描述
可以直接使用5个变量记录这个字符出现的个数,不断if else即可
classSolution{publicintminNumberOfFrogs(String croakOfFrogs){if(croakOfFrogs.length()%5!=0){return-1;}int c =0;int r =0;int o =0;int a =0;int k =0;int ret =0;for(int i =0; i < croakOfFrogs.length(); i++){char ch = croakOfFrogs.charAt(i);//每次都哟啊判断其前驱字符个数if(ch =='c'){//判断又没有青蛙叫完,有的话就可以从后面直接调取即可if(k >0){--k;++c;}else{++c;}}elseif(ch =='r'){if(c ==0){return-1;}else{--c;++r;}}elseif(ch =='o'){if(r ==0){return-1;}else{--r;++o;}}elseif(ch =='a'){if(o ==0){return-1;}else{--o;++a;}}else{if(a ==0){return-1;}else{--a;++k;}}}if(c!=0||r!=0||o!=0||a!=0){return-1;}return k;}}
使用数组存放对应数量,哈希表来对应下标关系
classSolution{publicintminNumberOfFrogs(String croakOfFrogs){//使用数组模拟哈希String t ="croak";int n = t.length();int[] hash =newint[n];//存放对应元素个数//使用哈希表来映射他们的下标Map<Character,Integer> map =newHashMap<>();//先放入哈希中for(int i =0;i < n;i++){ map.put(t.charAt(i),i);}//此时就要开始判断for(char ch : croakOfFrogs.toCharArray()){//如果是c字符要进行判断,k是否存在if(ch == t.charAt(0)){if(hash[n-1]!=0){ hash[n-1]--;} hash[0]++;}else{//中间字符//因为要判断前驱字符,这里要获取下标int index = map.get(ch);if(hash[index -1]==0){return-1;}else{ hash[index-1]--; hash[index]++;}}}//最后要判断其除了k字符,前面字符是否还有for(int i =0;i < n-1;i++){if(hash[i]!=0){return-1;}}return hash[n-1];}}

Read more

【AI 学习】深度解析Transformer核心:注意力机制的原理、实现与应用

【AI 学习】深度解析Transformer核心:注意力机制的原理、实现与应用

文章目录 * 一、引言:注意力机制——Transformer的“灵魂” * 1.1 背景:从RNN到Transformer的范式跃迁 * 1.2 本文核心内容框架 * 二、注意力机制基础:概念与发展历程 * 2.1 注意力机制的核心定义 * 2.2 注意力机制的发展历程 * 2.2.1 早期注意力机制:从机器翻译到图像识别 * 2.2.2 Transformer中的自注意力机制:革命性突破 * 三、Transformer核心:自注意力机制原理深度解析 * 3.1 自注意力机制的核心逻辑 * 3.2 Scaled Dot-Product Attention:自注意力的计算核心 * 3.2.1 步骤1:生成Query、Key、

By Ne0inhk

[人工智能-大模型-71]:模型层技术 - 模型训练六大步:①数据预处理:清洗和整理数据、②数据选择 ③神经网络:预测输出、④损失函数:计算迭代误差、⑤反向传播:计算迭代梯度、⑥ 优化器:更新模型参数

模型训练六大步:①数据预处理:清洗和整理数据、②数据选择 ③神经网络:预测输出、④损失函数:计算迭代误差、⑤反向传播:计算迭代梯度、⑥ 优化器:更新模型参数。 上述是极其清晰、逻辑严密、符合实际工程流程的深度学习训练框架。 它完整覆盖了从原始数据到模型更新的端到端闭环流程,既符合理论原理,又贴近实践。 下面我们对这六大步骤进行系统化、精准化、可操作化的深度解析,并补充每一步的目标、方法、常见技术与关键注意事项,形成一个完整的“训练流水线”认知模型。 🌟 模型训练六大步(完整闭环) ① 数据预处理 → ② 数据选择 → ③ 神经网络预测 → ④ 损失函数计算误差 → ⑤ 反向传播计算梯度 → ⑥ 优化器更新参数 ↓ 回到 ①,进入下一轮迭代 这是一个持续逼近最优函数的动态系统。 ① 数据预处理:清洗和整理数据 → 让数据“可计算” ✅ 目标: * 将原始、杂乱、非结构化的数据,转化为统一、干净、可输入模型的张量格式 ✅ 核心任务:

By Ne0inhk
【保姆级教程】AI图生图+视频生成完整工作流(附提示词+参数表)

【保姆级教程】AI图生图+视频生成完整工作流(附提示词+参数表)

【保姆级教程】AI图生图+视频生成完整工作流(附提示词+参数表) 目录 * 一、前言 * 二、环境搭建与工具选择 * 三、第一步:生成高质量基础图片(图生图) * 3.1 模型选择 * 3.2 提示词编写 * 3.3 参数设置参考 * 四、第二步:图生视频核心操作 * 4.1 AnimateDiff插件安装与配置 * 4.2 运动参数详解 * 4.3 生成视频与后处理 * 五、实战案例与提示词解析 * 六、常见问题与解决方案(避坑指南) * 七、资源下载 * 八、结语 一、前言 最近AI视频生成技术火得一塌糊涂,从Runway Gen-2到Stable Diffusion的AnimateDiff插件,

By Ne0inhk
【物联网】基于 Apache IoTDB 的跨『端-边-云』的时序数据库 DB+AI,你值得拥有

【物联网】基于 Apache IoTDB 的跨『端-边-云』的时序数据库 DB+AI,你值得拥有

基于 Apache IoTDB 的跨『端-边-云』的时序数据库,给你带来三大体验,高压缩、分布式、工业友好。 目录 * 产品介绍 * 三大优势 * 产品体系 * 整体架构 * 产品特性 * 友好的工具 * 支持编程语言 * 部署形态 * 环境配置 * AI能力 * 时序数据 * 总结 产品介绍 官网地址:https://timecho.com 科技Timecho提供行业领先的物联网时序数据库管理系统及服务,是专业的时序数据管理服务商,致力于围绕物联网原生的Apache IoTDB,以高吞吐,高压缩,高可用的开源时序数据库-国产数据库IoTDB,为工业用户解决数据"存,查,用"难题 TimechoDB 是一款低成本、高性能的物联网原生时序数据库,是天谋科技基于 Apache IoTDB 社区版本提供的原厂商业化产品。它可以解决企业组建物联网大数据平台管理时序数据时所遇到的应用场景复杂、

By Ne0inhk