上楼梯题解
时间: 2024-02-11 07:07:38 浏览: 28
上楼梯问题是一个经典的递归问题。问题描述如下:一个人要上 n 级台阶,每次只能上 1 级或 2 级,问有多少种不同的方法可以走完这 n 级台阶。
使用递归算法来解决上楼梯问题,可以写出如下的递归函数:
```
int climbStairs(int n) {
if (n == 1) {
return 1;
} else if (n == 2) {
return 2;
} else {
return climbStairs(n-1) + climbStairs(n-2);
}
}
```
在这个递归函数中,当 n 等于 1 时,返回 1;当 n 等于 2 时,返回 2;否则,返回上一级和上两级的方法之和。这个递归函数可以计算任意一个台阶数的不同上楼梯方法数。
例如,当 n 等于 4 时,这个递归函数的调用过程如下:
```
climbStairs(4)
= climbStairs(3) + climbStairs(2)
= (climbStairs(2) + climbStairs(1)) + 2
= 2 + 1 + 2
= 5
```
因此,当 n 等于 4 时,有 5 种不同的上楼梯方法。
需要注意的是,递归算法的时间复杂度可能会很高,因为有很多重复计算。例如,当 n 等于 5 时,climbStairs(3) 会被计算两次。因此,为了避免重复计算,可以使用动态规划等方法来优化递归算法。
相关问题
树上选点蓝桥Java题解
树上选点是蓝桥杯Java题目中的一种类型,通常需要在给定的树结构中选择一个或多个节点作为目标节点,并进行相应的操作。下面是一个简单的树上选点蓝桥Java题解的示例:
题目描述:
给定一棵有N个节点的树,每个节点上都有一个非负整数值。现在需要选择一些节点,使得选择的节点的值之和最大,且所选节点不能相邻(即选了一个节点,则其父节点和子节点都不能选)。请编写一个程序,计算出最大的节点值之和。
解题思路:
这是一个典型的动态规划问题。我们可以定义一个数组dp,其中dp[i]表示以第i个节点为根节点的子树中所选节点的最大值之和。对于每个节点i,有两种情况:
1. 选择节点i:则其子节点都不能选,所以dp[i] = val[i] + dp[grandchild1] + dp[grandchild2] + ...
2. 不选择节点i:则其子节点可以选择或不选择,所以dp[i] = max(dp[child1], dp[child2], ...)
根据以上思路,我们可以使用递归或者迭代的方式来计算dp数组。最终,所求的最大值即为dp,其中1表示根节点。
代码示例:
```java
public class TreeSelectPoint {
public static void main(String[] args) {
int[] values = {0, 1, 2, 3, 4, 5}; // 节点值数组,下标从1开始
int[][] edges = {{1, 2}, {1, 3}, {2, 4}, {2, 5}}; // 树的边关系数组
int n = values.length - 1; // 节点个数
int[] dp = new int[n + 1]; // 动态规划数组
// 构建树的邻接表
List<List<Integer>> adjacencyList = new ArrayList<>();
for (int i = 0; i <= n; i++) {
adjacencyList.add(new ArrayList<>());
}
for (int[] edge : edges) {
int u = edge[0];
int v = edge[1];
adjacencyList.get(u).add(v);
adjacencyList.get(v).add(u);
}
dfs(1, -1, values, adjacencyList, dp); // 从根节点开始进行深度优先搜索
System.out.println(dp[1]); // 输出最大节点值之和
}
private static void dfs(int cur, int parent, int[] values, List<List<Integer>> adjacencyList, int[] dp) {
dp[cur] = values[cur]; // 初始化当前节点的dp值为节点值
for (int child : adjacencyList.get(cur)) {
if (child != parent) { // 避免重复访问父节点
dfs(child, cur, values, adjacencyList, dp);
dp[cur] += dp[child]; // 更新当前节点的dp值
}
}
}
}
```
题解
这道题是一道典型的费用限制最短路题目,可以使用 Dijkstra 算法或者 SPFA 算法来解决。
具体思路如下:
1. 首先,我们需要读入输入数据。输入数据中包含了道路的数量、起点和终点,以及每条道路的起点、终点、长度和限制费用。
2. 接着,我们需要使用邻接表或邻接矩阵来存储图的信息。对于每条道路,我们可以将其起点和终点作为一个有向边的起点和终点,长度作为边权,限制费用作为边权的上界。
3. 然后,我们可以使用 Dijkstra 算法或 SPFA 算法求解从起点到终点的最短路径。在这个过程中,我们需要记录到每个点的最小费用和最小长度,以及更新每条边的最小费用和最小长度。
4. 最后,我们输出从起点到终点的最短路径长度即可。
需要注意的是,在使用 Dijkstra 算法或 SPFA 算法时,需要对每个点的最小费用和最小长度进行松弛操作。具体来说,当我们从一个点 u 经过一条边 (u,v) 到达另一个点 v 时,如果新的费用和长度比原来的小,则需要更新到达 v 的最小费用和最小长度,并将 v 加入到优先队列(Dijkstra 算法)或队列(SPFA 算法)中。
此外,还需要注意处理边权为 0 或负数的情况,以及处理无法到达终点的情况。
代码实现可以参考以下样例代码:
```c++
#include <cstdio>
#include <cstring>
#include <queue>
#include <vector>
using namespace std;
const int MAXN = 1005, MAXM = 20005, INF = 0x3f3f3f3f;
int n, m, s, t, cnt;
int head[MAXN], dis[MAXN], vis[MAXN];
struct Edge {
int v, w, c, nxt;
} e[MAXM];
void addEdge(int u, int v, int w, int c) {
e[++cnt].v = v, e[cnt].w = w, e[cnt].c = c, e[cnt].nxt = head[u], head[u] = cnt;
}
void dijkstra() {
priority_queue<pair<int, int>, vector<pair<int, int>>, greater<pair<int, int>>> q;
memset(dis, 0x3f, sizeof(dis));
memset(vis, 0, sizeof(vis));
dis[s] = 0;
q.push(make_pair(0, s));
while (!q.empty()) {
int u = q.top().second;
q.pop();
if (vis[u]) continue;
vis[u] = 1;
for (int i = head[u]; i != -1; i = e[i].nxt) {
int v = e[i].v, w = e[i].w, c = e[i].c;
if (dis[u] + w < dis[v] && c >= dis[u] + w) {
dis[v] = dis[u] + w;
q.push(make_pair(dis[v], v));
}
}
}
}
int main() {
memset(head, -1, sizeof(head));
scanf("%d %d %d %d", &n, &m, &s, &t);
for (int i = 1; i <= m; i++) {
int u, v, w, c;
scanf("%d %d %d %d", &u, &v, &w, &c);
addEdge(u, v, w, c);
addEdge(v, u, w, c);
}
dijkstra();
if (dis[t] == INF)
printf("-1\n");
else
printf("%d\n", dis[t]);
return 0;
}
```