Leetcode 2123. 使矩阵中的 1 互不相邻的最小操作数

1.题目根本信息

1.1.题目描述

给你一个 下标从 0 开始 的矩阵 grid。每次操作，你可以把 grid 中的 一个 1 变成 0 。
如果一个矩阵中，没有 1 与其它的 1 四连通（也就是说所有 1 在上下左右四个方向上不能与其他 1 相邻），那么该矩阵就是 完全独立 的。
请返回让 grid 成为 完全独立 的矩阵的 最小操作数。
1.2.题目地点

https://leetcode.cn/problems/minimum-operations-to-remove-adjacent-ones-in-matrix/description/
2.解题方法

2.1.解题思路

二分图+匈牙利算法求二分图的最大匹配数
二分图+Hopcroft-karp算法求二分图的最大匹配数
2.2.解题步骤

二分图+匈牙利算法步骤

• 第一步，构建二分图。在所有值为1的结点中，其中偶数下标行的偶数下标结点和奇数下标行的奇数下标结点为左结点集合uSet，其余结点为右结点集合vSet；uSet和vSet中相互相邻代表一条边
  
• 第二步，执行匈牙利算法获取最大匹配数
  
  
  
  • 匈牙利算法的步骤请看代码解释
    
  
  

二分图+Hopcroft-karp算法步骤

• 第一步，构建二分图。在所有值为1的结点中，其中偶数下标行的偶数下标结点和奇数下标行的奇数下标结点为左结点集合uSet，其余结点为右结点集合vSet；uSet和vSet中相互相邻代表一条边
  
• 第二步，执行二分图+Hopcroft-karp算法获取最大匹配数
  
  
  
  • Hopcroft-karp算法的步骤请看代码解释
    
  
  

3.解题代码

二分图+匈牙利算法代码

1. # ==> 匈牙利算法
2. # params：graph：二分图的邻接表；leftNodes：二分图左集合的所有结点数组
3. # return：返回二分图中的最大匹配数（等于最小点覆盖数）
4. from collections import defaultdict
5. def hungarian(graph:dict[int,list[int]], leftNodes:list[int]) -> int:
6.     # 第一步，构建维护变量。rightMatch维护右集合中各个结点的匹配状态
7.     rightMatch = {}
8.     # 第二步，构建dfs递归函数。递归任务：判断左集合中结点u是否能成功匹配。如果u相邻结点v没有匹配，则直接匹配；如果v已经匹配，则将v标记为已访问，dfs(match[v])观察是否能让match[v]结点匹配非v结点来释放v结点，让u进行匹配，即贪心地进行匹配。
9.     def dfs(u:int) -> bool:
10.         # 2.1.枚举u的相邻的右集合结点v
11.         for v in graph[u]:
12.             # 2.2.判断v是否已访问，已访问则跳过
13.             if not visited[v]:
14.                 # 2.3.标记v为已访问，并根据条件判断是否能匹配，能匹配的情况下记录右结点v的匹配状态到rightMatch中
15.                 visited[v] = True
16.                 if v not in rightMatch or dfs(rightMatch[v]):
17.                     rightMatch[v] = u
18.                     return True
19.         # 2.4.如果最终都没能匹配一个，则返回False
20.         return False
21.     # 第三步，枚举每一个左集合结点u，调用dfs判断各个u结点是否能成功进行匹配，并记录最大匹配数到ans中
22.     ans = 0
23.     for u in leftNodes:
24.         visited = defaultdict(bool)
25.         if dfs(u):
26.             ans += 1
27.     return ans
29. class Solution:
30.     def getGraphAndNodes(self, grid: List[List[int]]):
31.         m, n = len(grid), len(grid[0])
32.         # 第一步，构建二分图。在所有值为1的结点中，其中偶数下标行的偶数下标结点和奇数下标行的奇数下标结点为左结点集合uSet，其余结点为右结点集合vSet；uSet和vSet中彼此相邻代表一条边
33.         graph = defaultdict(list)
34.         leftNodes, rightNodes = [], []
35.         for i in range(m):
36.             for j in range(n):
37.                 if grid[i][j] == 1:
38.                     # 1.1.将结点添加到图中
39.                     node = i * n + j
40.                     if (i % 2 == 0 and j % 2 == 0) or (i % 2 == 1 and j % 2 == 1):
41.                         leftNodes.append(node)
42.                     else:
43.                         rightNodes.append(node)
44.                     graph[node] = []
45.                     # 1.2.将边添加到图中
46.                     for dr, dc in [[-1, 0], [0, -1], [1, 0], [0, 1]]:
47.                         nr, nc = i + dr, j + dc
48.                         if 0 <= nr < m and 0 <= nc < n and grid[nr][nc] == 1:
49.                             node2 = nr * n + nc
50.                             graph[node].append(node2)
51.         # print(graph)
52.         return graph, leftNodes, rightNodes
54.     # 思路1【超时】：二分图+匈牙利算法。题目转换：等价于求二分图的最大匹配数
55.     def minimumOperations(self, grid: List[List[int]]) -> int:
56.         graph, leftNodes, _ = self.getGraphAndNodes(grid)
57.         # 第二步，执行匈牙利算法获取最大匹配数
58.         return hungarian(graph, leftNodes)

复制代码

二分图+Hopcroft-karp算法代码

1. # ==> 匈牙利算法
2. # params：graph：二分图的邻接表；leftNodes：二分图左集合的所有结点数组
3. # return：返回二分图中的最大匹配数（等于最小点覆盖数）
4. from collections import defaultdict
5. def hungarian(graph:dict[int,list[int]], leftNodes:list[int]) -> int:
6.     # 第一步，构建维护变量。rightMatch维护右集合中各个结点的匹配状态
7.     rightMatch = {}
8.     # 第二步，构建dfs递归函数。递归任务：判断左集合中结点u是否能成功匹配。如果u相邻结点v没有匹配，则直接匹配；如果v已经匹配，则将v标记为已访问，dfs(match[v])观察是否能让match[v]结点匹配非v结点来释放v结点，让u进行匹配，即贪心地进行匹配。
9.     def dfs(u:int) -> bool:
10.         # 2.1.枚举u的相邻的右集合结点v
11.         for v in graph[u]:
12.             # 2.2.判断v是否已访问，已访问则跳过
13.             if not visited[v]:
14.                 # 2.3.标记v为已访问，并根据条件判断是否能匹配，能匹配的情况下记录右结点v的匹配状态到rightMatch中
15.                 visited[v] = True
16.                 if v not in rightMatch or dfs(rightMatch[v]):
17.                     rightMatch[v] = u
18.                     return True
19.         # 2.4.如果最终都没能匹配一个，则返回False
20.         return False
21.     # 第三步，枚举每一个左集合结点u，调用dfs判断各个u结点是否能成功进行匹配，并记录最大匹配数到ans中
22.     ans = 0
23.     for u in leftNodes:
24.         visited = defaultdict(bool)
25.         if dfs(u):
26.             ans += 1
27.     return ans
29. # ==> Hopcroft-karp算法（时间复杂度：O(sqrt(V)*E)）
30. # params：graph：二分图的邻接表；leftNodes：二分图左集合的所有结点数组；
31. # return：返回二分图中的最大匹配数（等于最小点覆盖数）
32. from collections import deque
33. def hopcroftKarp(graph:dict[int, list[int]], leftNodes:list[int]) -> int:
34.     inf = float("inf")
35.     # 第一步，构建维护变量。match_维护二分图中各个匹配关系；dist维护各个交替路中距离左集合中未匹配点的最短距离，dist中映射值为inf代表结点已经匹配或者不存在以该结点开头的增广路径
36.     match_ = {}
37.     dist = {}
38.     # 第二步，构建广搜函数。bfs功能：返回在match_和dist的情况下，是否还存在更多的增广路径，同时更新dist
39.     def bfs() -> bool:
40.         # 2.1.将左侧集合的未匹配结点全部加入到队列中，作为BFS的起点；同时将左集合中已经匹配的结点的距离值设置为inf
41.         que = deque()
42.         for u in leftNodes:
43.             if u not in match_:
44.                 que.append(u)
45.                 dist[u] = 0
46.             else:
47.                 dist[u] = inf
48.         # 2.2.广搜二分图。使用found维护图中是否还存在增广路径
49.         found = False
50.         while que:
51.             u = que.popleft()
52.             for v in graph[u]:
53.                 if v not in match_:
54.                     # 2.2.1.如果右侧结点v没有在match_中，说明v结点还没有匹配，表示图中还存在增广路径，设置found=True
55.                     found = True
56.                 elif dist[match_[v]] == inf:
57.                     # 2.2.2.如果右侧结点v在match_中且对应的match_[v]结点还没有被广搜到（即dist[match_[v]==inf]），说明v结点已经匹配，则将v的匹配结点match_[v]加入到广搜队列中，继续寻找增广路径；并更新match_[v]结点所在的最小广搜层次
58.                     que.append(match_[v])
59.                     dist[match_[v]] = dist[u] + 1
60.         # 2.3.返回图中是否还存在增广路径
61.         return found
62.     # 第三步，构建受限深搜函数。深搜任务：判断以结点u开头是否存在增广路径；如果存在，则在该路径上进行结点匹配，反转该增广路径。
63.     def dfs(u:int) -> bool:
64.         for v in graph[u]:
65.             if v not in match_ or (dist[match_[v]] == dist[u] + 1 and dfs(match_[v])):
66.                 # 3.1.如果结点v没有匹配，则u->v就是最短的增广路径，直接匹配u和v并返回即可；如果结点v已经匹配了，只有满足match_[v]是广搜中结点u的下一层级时（即dist[match_[v]]==dist[u]+1）（这个条件也能过滤掉递归时match_[v]遍历到相邻结点v的情况），才能继续dfs判断是否存在增广路径，如果存在则匹配并反转该增广路径
67.                 match_[u] = v
68.                 match_[v] = u
69.                 return True
70.         # 3.2.如果不存在以u开头的增广路径，则在dist中进行标记，并返回False
71.         dist[u] = inf
72.         return False
73.     # 第四步，循环地进行bfs判断图中是否存在增广路径；如果存在则遍历所有左侧没有匹配的结点u，dfs寻找是否存在u开头的最短增广路径，并在dfs中更新match_和dist，如果存在以u开头的增广路径，则通过反转增广路径进行匹配，并将ans自增1
74.     ans = 0
75.     while bfs():
76.         for u in leftNodes:
77.             if u not in match_ and dfs(u):
78.                 ans += 1
79.     return ans
81. class Solution:
82.     def getGraphAndNodes(self, grid: List[List[int]]):
83.         m, n = len(grid), len(grid[0])
84.         # 第一步，构建二分图。在所有值为1的结点中，其中偶数下标行的偶数下标结点和奇数下标行的奇数下标结点为左结点集合uSet，其余结点为右结点集合vSet；uSet和vSet中彼此相邻代表一条边
85.         graph = defaultdict(list)
86.         leftNodes, rightNodes = [], []
87.         for i in range(m):
88.             for j in range(n):
89.                 if grid[i][j] == 1:
90.                     # 1.1.将结点添加到图中
91.                     node = i * n + j
92.                     if (i % 2 == 0 and j % 2 == 0) or (i % 2 == 1 and j % 2 == 1):
93.                         leftNodes.append(node)
94.                     else:
95.                         rightNodes.append(node)
96.                     graph[node] = []
97.                     # 1.2.将边添加到图中
98.                     for dr, dc in [[-1, 0], [0, -1], [1, 0], [0, 1]]:
99.                         nr, nc = i + dr, j + dc
100.                         if 0 <= nr < m and 0 <= nc < n and grid[nr][nc] == 1:
101.                             node2 = nr * n + nc
102.                             graph[node].append(node2)
103.         # print(graph)
104.         return graph, leftNodes, rightNodes
106.     # 思路2：二分图+Hopcroft-karp算法
107.     def minimumOperations(self, grid: List[List[int]]) -> int:
108.         graph, leftNodes, rightNodes = self.getGraphAndNodes(grid)
109.         # 计算最大匹配数
110.         maxMatching = hopcroftKarp(graph, leftNodes)
111.         return maxMatching

复制代码

4.执行结果