博客
关于我
PAT——1040. 有几个PAT
阅读量:463 次
发布时间:2019-03-06

本文共 1262 字,大约阅读时间需要 4 分钟。

为了解决这个问题,我们需要计算给定字符串中包含多少个“PAT”序列。每个“PAT”序列中的字母P、A、T必须按顺序出现,但不需要连续。

方法思路

我们可以通过从左到右遍历字符串的方式来高效地计算满足条件的“PAT”序列的数量。具体步骤如下:

  • 维护变量:我们需要三个变量来跟踪当前遇到的P的数量、P和A组合的数量以及最终的“PAT”序列的数量。
  • 遍历字符串:从左到右遍历每个字符:
    • 如果遇到P,增加P的计数。
    • 如果遇到A,增加P和A组合的计数。
    • 如果遇到T,则增加最终的“PAT”序列计数。
  • 结果处理:由于结果可能非常大,我们对结果取模1000000007。
  • 这种方法的时间复杂度是O(n),适用于长度很大的字符串。

    解决代码

    public class basicalLevel1040howManyPat {    public static void main(String[] args) {        Scanner in = new Scanner(System.in);        char[] pat = in.nextLine().toCharArray();        int len = pat.length;        int pCount = 0, paCount = 0, result = 0;        for (int i = 0; i < len; i++) {            char c = pat[i];            if (c == 'P') {                pCount++;            } else if (c == 'A') {                paCount += pCount;            } else if (c == 'T') {                result += paCount;                // 取模操作                if (result >= 1000000007) {                    result %= 1000000007;                }            }        }        // 在最后,确保结果取模        result %= 1000000007;        System.out.println(result);        in.close();    }}

    代码解释

    • 输入读取:使用Scanner读取输入字符串并转换为字符数组。
    • 变量初始化pCount记录遇到的P的数量,paCount记录遇到的P和A组合的数量,result记录最终的“PAT”序列数量。
    • 遍历字符串:逐个字符处理,更新相应的计数。
    • 结果输出:对结果取模并输出。

    这种方法确保了在O(n)时间内高效地计算满足条件的“PAT”序列数量,适用于大规模输入。

    转载地址:http://vjnbz.baihongyu.com/

    你可能感兴趣的文章
    opencv32-基于距离变换和分水岭的图像分割
    查看>>
    opencv4-图像操作
    查看>>
    opencv5-图像混合
    查看>>
    opencv6-调整图像亮度和对比度
    查看>>
    opencv7-绘制形状和文字
    查看>>
    opencv9-膨胀和腐蚀
    查看>>
    OpenCV_ cv2.imshow()
    查看>>
    opencv——图像缩放1(resize)
    查看>>
    Opencv——模块介绍
    查看>>
    OpenCV与AI深度学习 | 2024年AI初学者需要掌握的热门技能有哪些?
    查看>>
    OpenCV与AI深度学习 | CIB-SE-YOLOv8: 优化的YOLOv8, 用于施工现场的安全设备实时检测 !
    查看>>
    OpenCV与AI深度学习 | OpenCV图像拼接--Stitching detailed使用与参数介绍
    查看>>
    OpenCV与AI深度学习 | OpenCV常用图像拼接方法(一) :直接拼接
    查看>>
    OpenCV与AI深度学习 | OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测(建议收藏!)
    查看>>
    OpenCV与AI深度学习 | SAM2(Segment Anything Model 2)新一代分割一切大模型介绍与使用(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
    查看>>
    OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
    查看>>
    OpenCV与AI深度学习 | YOLOv8自定义数据集训练实现火焰和烟雾检测(代码+数据集!)
    查看>>
    OpenCV与AI深度学习 | YOLOv8重磅升级,新增旋转目标检测,又该学习了!
    查看>>
    OpenCV与AI深度学习 | 一文带你读懂YOLOv1~YOLOv11(建议收藏!)
    查看>>