Dada una array de enteros. Escriba un programa para encontrar la K-ésima suma más grande de subarreglo contiguo dentro del arreglo de números que tiene números negativos y positivos.
Ejemplos:
Input: a[] = {20, -5, -1}
k = 3
Output: 14
Explanation: All sum of contiguous
subarrays are (20, 15, 14, -5, -6, -1)
so the 3rd largest sum is 14.
Input: a[] = {10, -10, 20, -40}
k = 6
Output: -10
Explanation: The 6th largest sum among
sum of all contiguous subarrays is -10.
Un enfoque de fuerza bruta es almacenar todas las sumas contiguas en otra array y clasificarla e imprimir la k-ésima más grande. Pero en el caso de que la cantidad de elementos sea grande, la array en la que almacenamos las sumas contiguas se quedará sin memoria ya que la cantidad de subarreglos contiguos será grande (orden cuadrático)
Un enfoque eficiente es almacenar la suma previa de la array en una array sum[]. Podemos encontrar la suma de subarreglo contiguo del índice i al j como sum[j]-sum[i-1]
Ahora, para almacenar la K-ésima suma más grande, use un montón mínimo (cola de prioridad) en el que empujamos las sumas contiguas hasta que obtengamos K elementos, una vez que tengamos nuestros K elementos, verifique si el elemento es mayor que el K-ésimo elemento en el que se inserta. el montón mínimo con la extracción del elemento superior en el montón mínimo, de lo contrario no se inserta. Al final, el elemento superior en el montón mínimo será su respuesta.
A continuación se muestra la implementación del enfoque anterior.
Java
// Java program to find the k-th
// largest sum of subarray
import java.util.*;
class KthLargestSumSubArray
{
// function to calculate kth largest
// element in contiguous subarray sum
static int kthLargestSum(int arr[], int n, int k)
{
// array to store prefix sums
int sum[] = new int[n + 1];
sum[0] = 0;
sum[1] = arr[0];
for (int i = 2; i <= n; i++)
sum[i] = sum[i - 1] + arr[i - 1];
// priority_queue of min heap
PriorityQueue<Integer> Q = new PriorityQueue<Integer> ();
// loop to calculate the contiguous subarray
// sum position-wise
for (int i = 1; i <= n; i++)
{
// loop to traverse all positions that
// form contiguous subarray
for (int j = i; j <= n; j++)
{
// calculates the contiguous subarray
// sum from j to i index
int x = sum[j] - sum[i - 1];
// if queue has less then k elements,
// then simply push it
if (Q.size() < k)
Q.add(x);
else
{
// if the min heap has equal to
// k elements then just check
// if the largest kth element is
// smaller than x then insert
// else it's of no use
if (Q.peek() < x)
{
Q.poll();
Q.add(x);
}
}
}
}
// the top element will be the kth
// largest element
return Q.poll();
}
// Driver Code
public static void main(String[] args)
{
int a[] = new int[]{ 10, -10, 20, -40 };
int n = a.length;
int k = 6;
// calls the function to find out the
// k-th largest sum
System.out.println(kthLargestSum(a, n, k));
}
}
/* This code is contributed by Danish Kaleem */
Producción:
-10
Complejidad de tiempo: O (n ^ 2 log (k))
Espacio auxiliar: O (k) para min-heap y podemos almacenar la array de suma en la array en sí, ya que no sirve.
¡ Consulte el artículo completo sobre K-ésimo subarreglo contiguo de suma más grande para obtener más detalles!
Publicación traducida automáticamente
Artículo escrito por GeeksforGeeks-1 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA