当前位置:首页 > 文章列表 > 文章 > python教程 > 代码日亚麻布布局的出现

代码日亚麻布布局的出现

来源:dev.to 2025-01-11 15:24:29 0浏览 收藏

“纵有疾风来,人生不言弃”,这句话送给正在学习文章的朋友们,也希望在阅读本文《代码日亚麻布布局的出现》后,能够真的帮助到大家。我也会在后续的文章中,陆续更新文章相关的技术文章,有好的建议欢迎大家在评论留言,非常感谢!

第 19 天:亚麻布布局

github 解决方案

今天的挑战与通常的 2d 谜题和 dijkstra 算法相比有令人耳目一新的变化。以下是我的处理方法:

第 1 部分

目标很简单:检查是否可以使用可用的毛巾创建给定的毛巾布置。

不应该做什么:

最初,我尝试使用 itertools.combinations 生成所有可能的毛巾组合。很快我们就发现这既不实用也不高效。

什么有效:

使用递归结合字典(备忘录)来缓存已经处理过的设计。这可以防止冗余计算并使解决方案更加高效。

工作原理:

对于每个设计,尝试将开头与其中一种毛巾图案相匹配。
如果存在匹配,则删除匹配的部分并递归剩余的部分。
使用备忘录缓存我们已经检查过的设计结果,避免重复工作。
具有记忆功能的递归方法使复杂性保持可控,即使对于较大的输入也是如此,并使解决方案高效运行。

第二部分
第二部分提高了赌注:计算使用可用图案制作每条毛巾设计的方法数。

关键见解:
count_arrangements 函数扩展了第 1 部分中的递归逻辑,但现在计算构建设计的所有可能方法。

对于每条匹配的毛巾,递归设计的其余部分。
使用另一个字典(memo_count)来缓存之前解决的子问题的结果。

示例:
如果“brgr”可以通过两种方式构造,我们只需从缓存中返回 2,而不用重新计算它。

优化:
感谢第 1 部分,我们已经知道哪些设计是可能的。我们只计算这些的安排。

for arrangement in arrangements:
    if arrangement in memo and memo[arrangement]:
        ways = count_arrangements(arrangement, towels, memo_count)
        total_arrangements += ways

通过总结所有有效的方法,我们得到了第二部分的最终答案,就这么简单。

就像我说的,我发现今天的挑战很有趣,是一个很好的改变。我希望这篇文章对未来的挑战/编码有所帮助。

一如既往,请随时在 twitter 上关注我或联系我

好了,本文到此结束,带大家了解了《代码日亚麻布布局的出现》,希望本文对你有所帮助!关注golang学习网公众号,给大家分享更多文章知识!

版本声明
本文转载于:dev.to 如有侵犯,请联系study_golang@163.com删除
需要在 4 年内消亡的 rontend 开发神话需要在 4 年内消亡的 rontend 开发神话
上一篇
需要在 4 年内消亡的 rontend 开发神话
4 篇关于 CSS 的文章让我大吃一惊
下一篇
4 篇关于 CSS 的文章让我大吃一惊
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    386次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    466次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    474次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    415次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    240次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码