当前位置: 首页 > news >正文

力扣-将x减到0的最小操作数

1.题目描述

2.题目链接 

1658. 将 x 减到 0 的最小操作数 - 力扣(LeetCode)

3.题目分析

1)正面求解困难

 题目要求我们每次都从最左边或者最右边取一个数,使x-元素的值,并在数组中移除该元素。最后返回的最小操作数也就是移除数组元素的最小个数

也就是如下:

其中a和b代表对应子串的元素和。

这道题如果我们从正面求解,是非常困难的。因为他有可能是从最左边移除,也有可能从最右边移除,并且要求a+b=x,还要求最小值,情况是非常多的

2)正难则反

既然正面求解困难,那么我们反过来换一种思路,从反面求解,也就是求和为sum-x的子串的最长长度:

其中sum表示数组所有元素和。

这就和我们前面做过的一道滑动窗口的oj题目非常相似了: 力扣-长度最小的子数组-CSDN博客。

4.代码解答

class Solution {public int minOperations(int[] nums, int x) {int length=-1,sum=0,temp=0;for(int a:nums)sum+=a;int target=sum-x;if(target<0){return -1;}for(int left=0,right=0;right<nums.length;right++){temp+=nums[right];while(temp>target&&left<=right){temp-=nums[left++];}if(temp==target){length=Math.max(length,right-left+1);}}return length==-1?-1:nums.length-length;}
}

5.代码细节

1)length的初始值

 int length=-1,sum=0,temp=0;

题目中要求如果没有找到符合条件的字串,就返回-1,所以我们通过定义length的初始值为-1,在结合三位运算符进行返回:

  return length==-1?-1:nums.length-length;

2)while循环的条件

 while(temp>target&&left<=right){temp-=nums[left++];}

应该是left<=right而不是left<=right,确保窗口可以收缩到空(left > right),从而正确处理所有边界情况。这时中间的子串为空,也就是说,此时整个数组的元素和是题目中给出的x,要返回的就是整个数组的长度。

这是滑动窗口算法中常见的边界陷阱,需要特别注意!

http://www.xdnf.cn/news/600949.html

相关文章:

  • 【Hadoop】大数据技术之 HDFS
  • 对接钉钉消息样例:DING消息、机器人
  • vue3前端开发过程中,解决跨域
  • 如何管理固定资产
  • w~大模型~合集4
  • JAVA05基本数据类型和包装类的转换,转换成其他数据类型,包装类与字符串的转换+学生类的定义实例
  • [数据集]无人机视角检测分割数据集合集
  • 内容中台智能推荐系统实践路径
  • 智慧交通解决了哪些行业难点?
  • 算法轻量化与跨平台迁移:AI边缘计算的核心突破
  • sglang是如何运行?
  • 为什么抗干扰天线不能做RTK差分(三)“既要又要”的抗干扰天线
  • C#串口打印机:控制类开发与实战
  • 游戏引擎学习第307天:排序组可视化
  • 通过对音频信号提取梅尔频谱图并转换为对数梅尔频谱图得到的。它的形状主要由以下参数决定 转换成图片 64*64像素
  • opencv 图像的平移和旋转
  • 服务器异常数据问题解决 工具(tcpdump+wireshark+iptables)
  • 一、OpenCV的基本操作
  • .NET外挂系列:6. harmony中一些实用的反射工具包
  • 49 python Matplotlib之Pandas 数据可视化
  • 指纹浏览器+代理IP:跨境出海如何隔离+防封?
  • webpack学习笔记
  • 【HarmonyOS 5】Map Kit 地图服务之应用内地图加载
  • 遥感解译项目Land-Cover-Semantic-Segmentation-PyTorch之二训练模型
  • 爱普生晶振赋能UWB汽车数字钥匙,解锁未来出行新方式
  • 【Harmony OS】作业四 布局
  • 掌握 npm 核心操作:从安装到管理依赖的完整指南
  • SpringCloud——MybatisPlus
  • CMake创建C++项目与npm创建nodejs项目异曲同工
  • 基于 ARIMA 与贝叶斯回归的时间序列分析:结合趋势季节性与不确定性量化(附 PyTorch 变分贝叶斯实现)