Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
coolalex776
Fucking Algorithm
提交
3e438640
F
Fucking Algorithm
项目概览
coolalex776
/
Fucking Algorithm
与 Fork 源项目一致
从无法访问的项目Fork
通知
1
Star
1
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
DevOps
流水线
流水线任务
计划
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
F
Fucking Algorithm
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
DevOps
DevOps
流水线
流水线任务
计划
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
流水线任务
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
3e438640
编写于
3月 02, 2023
作者:
L
labuladong
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
update content
上级
8461a3d3
变更
35
隐藏空白更改
内联
并排
Showing
35 changed file
with
73 addition
and
76 deletion
+73
-76
动态规划系列/动态规划之KMP字符匹配算法.md
动态规划系列/动态规划之KMP字符匹配算法.md
+3
-3
动态规划系列/动态规划设计:最长递增子序列.md
动态规划系列/动态规划设计:最长递增子序列.md
+2
-2
动态规划系列/动态规划详解进阶.md
动态规划系列/动态规划详解进阶.md
+6
-6
动态规划系列/团灭股票问题.md
动态规划系列/团灭股票问题.md
+4
-4
动态规划系列/最优子结构.md
动态规划系列/最优子结构.md
+1
-1
动态规划系列/状态压缩技巧.md
动态规划系列/状态压缩技巧.md
+2
-2
动态规划系列/编辑距离.md
动态规划系列/编辑距离.md
+2
-2
动态规划系列/背包问题.md
动态规划系列/背包问题.md
+4
-4
动态规划系列/魔塔.md
动态规划系列/魔塔.md
+1
-1
技术/linux进程.md
技术/linux进程.md
+1
-1
技术/redis入侵.md
技术/redis入侵.md
+1
-1
技术/session和cookie.md
技术/session和cookie.md
+1
-1
技术/密码技术.md
技术/密码技术.md
+1
-1
数据结构系列/BST1.md
数据结构系列/BST1.md
+2
-2
数据结构系列/dijkstra算法.md
数据结构系列/dijkstra算法.md
+0
-3
数据结构系列/二叉堆详解实现优先级队列.md
数据结构系列/二叉堆详解实现优先级队列.md
+1
-1
数据结构系列/二叉树总结.md
数据结构系列/二叉树总结.md
+3
-3
数据结构系列/二叉树系列1.md
数据结构系列/二叉树系列1.md
+2
-2
数据结构系列/二叉树系列2.md
数据结构系列/二叉树系列2.md
+1
-1
数据结构系列/图.md
数据结构系列/图.md
+2
-2
数据结构系列/拓扑排序.md
数据结构系列/拓扑排序.md
+6
-6
数据结构系列/递归反转链表的一部分.md
数据结构系列/递归反转链表的一部分.md
+1
-1
算法思维系列/BFS框架.md
算法思维系列/BFS框架.md
+1
-1
算法思维系列/UnionFind算法详解.md
算法思维系列/UnionFind算法详解.md
+1
-1
算法思维系列/二分查找详解.md
算法思维系列/二分查找详解.md
+2
-2
算法思维系列/前缀和技巧.md
算法思维系列/前缀和技巧.md
+1
-1
算法思维系列/双指针技巧.md
算法思维系列/双指针技巧.md
+1
-1
算法思维系列/回溯算法详解修订版.md
算法思维系列/回溯算法详解修订版.md
+5
-5
算法思维系列/学习数据结构和算法的高效方法.md
算法思维系列/学习数据结构和算法的高效方法.md
+2
-2
算法思维系列/差分技巧.md
算法思维系列/差分技巧.md
+1
-1
算法思维系列/滑动窗口技巧进阶.md
算法思维系列/滑动窗口技巧进阶.md
+4
-4
算法思维系列/集合划分.md
算法思维系列/集合划分.md
+2
-2
高频面试系列/名人问题.md
高频面试系列/名人问题.md
+1
-1
高频面试系列/子集排列组合.md
高频面试系列/子集排列组合.md
+2
-2
高频面试系列/岛屿题目.md
高频面试系列/岛屿题目.md
+3
-3
未找到文件。
动态规划系列/动态规划之KMP字符匹配算法.md
浏览文件 @
3e438640
...
...
@@ -21,7 +21,7 @@
**-----------**
> 阅读本文之前,建议你先学习一下另一种字符串匹配算法:[Rabin Karp 字符匹配算法](https://labuladong.github.io/article/fname.html?fname=rabinkarp)。
>
tip:
阅读本文之前,建议你先学习一下另一种字符串匹配算法:[Rabin Karp 字符匹配算法](https://labuladong.github.io/article/fname.html?fname=rabinkarp)。
KMP 算法(Knuth-Morris-Pratt 算法)是一个著名的字符串匹配算法,效率很高,但是确实有点复杂。
...
...
@@ -33,7 +33,7 @@ KMP 算法(Knuth-Morris-Pratt 算法)是一个著名的字符串匹配算法
读者见过的 KMP 算法应该是,一波诡异的操作处理
`pat`
后形成一个一维的数组
`next`
,然后根据这个数组经过又一波复杂操作去匹配
`txt`
。时间复杂度 O(N),空间复杂度 O(M)。其实它这个
`next`
数组就相当于
`dp`
数组,其中元素的含义跟
`pat`
的前缀和后缀有关,判定规则比较复杂,不好理解。
**本文则用一个二维的 `dp` 数组(但空间复杂度还是 O(M)),重新定义其中元素的含义,使得代码长度大大减少,可解释性大大提高**
。
>
PS
:本文的代码参考《算法4》,原代码使用的数组名称是 `dfa`(确定有限状态机),因为我们的公众号之前有一系列动态规划的文章,就不说这么高大上的名词了,我对书中代码进行了一点修改,并沿用 `dp` 数组的名称。
>
note
:本文的代码参考《算法4》,原代码使用的数组名称是 `dfa`(确定有限状态机),因为我们的公众号之前有一系列动态规划的文章,就不说这么高大上的名词了,我对书中代码进行了一点修改,并沿用 `dp` 数组的名称。
### 一、KMP 算法概述
...
...
@@ -103,7 +103,7 @@ pat = "aaab"
![](
https://labuladong.gitee.io/pictures/kmp/txt2.jpg
)
>
PS
:这个`j` 不要理解为索引,它的含义更准确地说应该是**状态**(state),所以它会出现这个奇怪的位置,后文会详述。
>
note
:这个`j` 不要理解为索引,它的含义更准确地说应该是**状态**(state),所以它会出现这个奇怪的位置,后文会详述。
而对于
`txt2`
的下面这个即将出现的未匹配情况:
...
...
动态规划系列/动态规划设计:最长递增子序列.md
浏览文件 @
3e438640
...
...
@@ -52,7 +52,7 @@ int lengthOfLIS(int[] nums);
**我们的定义是这样的:`dp[i]` 表示以 `nums[i]` 这个数结尾的最长递增子序列的长度**
。
>
PS
:为什么这样定义呢?这是解决子序列问题的一个套路,后文 [动态规划之子序列问题解题模板](https://labuladong.github.io/article/fname.html?fname=子序列问题模板) 总结了几种常见套路。你读完本章所有的动态规划问题,就会发现 `dp` 数组的定义方法也就那几种。
>
info
:为什么这样定义呢?这是解决子序列问题的一个套路,后文 [动态规划之子序列问题解题模板](https://labuladong.github.io/article/fname.html?fname=子序列问题模板) 总结了几种常见套路。你读完本章所有的动态规划问题,就会发现 `dp` 数组的定义方法也就那几种。
根据这个定义,我们就可以推出 base case:
`dp[i]`
初始值为 1,因为以
`nums[i]`
结尾的最长递增子序列起码要包含它自己。
...
...
@@ -182,7 +182,7 @@ int lengthOfLIS(int[] nums) {
我们只要把处理扑克牌的过程编程写出来即可。每次处理一张扑克牌不是要找一个合适的牌堆顶来放吗,牌堆顶的牌不是
**有序**
吗,这就能用到二分查找了:用二分查找来搜索当前牌应放置的位置。
>
PS
:前文 [二分查找算法详解](https://labuladong.github.io/article/fname.html?fname=二分查找详解) 详细介绍了二分查找的细节及变体,这里就完美应用上了,如果没读过强烈建议阅读。
>
tip
:前文 [二分查找算法详解](https://labuladong.github.io/article/fname.html?fname=二分查找详解) 详细介绍了二分查找的细节及变体,这里就完美应用上了,如果没读过强烈建议阅读。
```
java
int
lengthOfLIS
(
int
[]
nums
)
{
...
...
动态规划系列/动态规划详解进阶.md
浏览文件 @
3e438640
...
...
@@ -23,7 +23,7 @@
**-----------**
> 本文有视频版:[动态规划框架套路详解](https://www.bilibili.com/video/BV1XV411Y7oE)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[动态规划框架套路详解](https://www.bilibili.com/video/BV1XV411Y7oE)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
这篇文章是我们公众号半年前一篇 200 多赞赏的成名之作
[
动态规划详解
](
https://mp.weixin.qq.com/s/1V3aHVonWBEXlNUvK3S28w
)
的进阶版。由于账号迁移的原因,旧文无法被搜索到,所以我润色了本文,并添加了更多干货内容,希望本文成为解决动态规划的一部「指导方针」。
...
...
@@ -88,7 +88,7 @@ int fib(int N) {
![](
https://labuladong.gitee.io/pictures/动态规划详解进阶/1.jpg
)
>
PS
:但凡遇到需要递归的问题,最好都画出递归树,这对你分析算法的复杂度,寻找算法低效的原因都有巨大帮助。
>
tip
:但凡遇到需要递归的问题,最好都画出递归树,这对你分析算法的复杂度,寻找算法低效的原因都有巨大帮助。
这个递归树怎么理解?就是说想要计算原问题
`f(20)`
,我就得先计算出子问题
`f(19)`
和
`f(18)`
,然后要计算
`f(19)`
,我就要先算出子问题
`f(18)`
和
`f(17)`
,以此类推。最后遇到
`f(1)`
或者
`f(2)`
的时候,结果已知,就能直接返回结果,递归树不再向下生长了。
...
...
@@ -249,7 +249,7 @@ int coinChange(int[] coins, int amount);
回到凑零钱问题,为什么说它符合最优子结构呢?假设你有面值为
`1, 2, 5`
的硬币,你想求
`amount = 11`
时的最少硬币数(原问题),如果你知道凑出
`amount = 10, 9, 6`
的最少硬币数(子问题),你只需要把子问题的答案加一(再选一枚面值为
`1, 2, 5`
的硬币),求个最小值,就是原问题的答案。因为硬币的数量是没有限制的,所以子问题之间没有相互制,是互相独立的。
>
PS
:关于最优子结构的问题,后文 [动态规划答疑篇](https://labuladong.github.io/article/fname.html?fname=最优子结构) 还会再举例探讨。
>
tip
:关于最优子结构的问题,后文 [动态规划答疑篇](https://labuladong.github.io/article/fname.html?fname=最优子结构) 还会再举例探讨。
那么,既然知道了这是个动态规划问题,就要思考如何列出正确的状态转移方程?
...
...
@@ -310,7 +310,7 @@ int dp(int[] coins, int amount) {
}
```
>
PS
:这里 `coinChange` 和 `dp` 函数的签名完全一样,所以理论上不需要额外写一个 `dp` 函数。但为了后文讲解方便,这里还是另写一个 `dp` 函数来实现主要逻辑。
>
note
:这里 `coinChange` 和 `dp` 函数的签名完全一样,所以理论上不需要额外写一个 `dp` 函数。但为了后文讲解方便,这里还是另写一个 `dp` 函数来实现主要逻辑。
> 另外,我经常看到有人问,子问题的结果为什么要加 1(`subProblem + 1`),而不是加硬币金额之类的。我这里统一提示一下,动态规划问题的关键是 `dp` 函数/数组的定义,你这个函数的返回值代表什么?你回过头去搞清楚这一点,然后就知道为什么要给子问题的返回值加 1 了。
...
...
@@ -400,9 +400,9 @@ int coinChange(int[] coins, int amount) {
}
```
![](
https://labuladong.gitee.io/pictures/动态规划详解进阶/6.jpg
)
> info:为啥 `dp` 数组中的值都初始化为 `amount + 1` 呢,因为凑成 `amount` 金额的硬币数最多只可能等于 `amount`(全用 1 元面值的硬币),所以初始化为 `amount + 1` 就相当于初始化为正无穷,便于后续取最小值。为啥不直接初始化为 int 型的最大值 `Integer.MAX_VALUE` 呢?因为后面有 `dp[i - coin] + 1`,这就会导致整型溢出。
> PS:为啥 `dp` 数组中的值都初始化为 `amount + 1` 呢,因为凑成 `amount` 金额的硬币数最多只可能等于 `amount`(全用 1 元面值的硬币),所以初始化为 `amount + 1` 就相当于初始化为正无穷,便于后续取最小值。为啥不直接初始化为 int 型的最大值 `Integer.MAX_VALUE` 呢?因为后面有 `dp[i - coin] + 1`,这就会导致整型溢出。
![](
https://labuladong.gitee.io/pictures/动态规划详解进阶/6.jpg
)
### 三、最后总结
...
...
动态规划系列/团灭股票问题.md
浏览文件 @
3e438640
...
...
@@ -135,13 +135,13 @@ dp[i][k][1] = max(dp[i-1][k][1], dp[i-1][k-1][0] - prices[i])
2、我昨天本没有持有,且截至昨天最大交易次数限制为
`k - 1`
;但今天我选择
`buy`
,所以今天我就持有股票了,最大交易次数限制为
`k`
。
> 这里着重提醒一下,**时刻牢记「状态」的定义**,状态 `k` 的定义并不是「已进行的交易次数」,而是「最大交易次数的上限限制」。如果确定今天进行一次交易,且要保证截至今天最大交易次数上限为 `k`,那么昨天的最大交易次数上限必须是 `k - 1`。
>
note:
这里着重提醒一下,**时刻牢记「状态」的定义**,状态 `k` 的定义并不是「已进行的交易次数」,而是「最大交易次数的上限限制」。如果确定今天进行一次交易,且要保证截至今天最大交易次数上限为 `k`,那么昨天的最大交易次数上限必须是 `k - 1`。
这个解释应该很清楚了,如果
`buy`
,就要从利润中减去
`prices[i]`
,如果
`sell`
,就要给利润增加
`prices[i]`
。今天的最大利润就是这两种可能选择中较大的那个。
注意
`k`
的限制,在选择
`buy`
的时候相当于开启了一次交易,那么对于昨天来说,交易次数的上限
`k`
应该减小 1。
>
修正:
以前我以为在 `sell` 的时候给 `k` 减小 1 和在 `buy` 的时候给 `k` 减小 1 是等效的,但细心的读者向我提出质疑,经过深入思考我发现前者确实是错误的,因为交易是从 `buy` 开始,如果 `buy` 的选择不改变交易次数 `k` 的话,会出现交易次数超出限制的的错误。
>
note:这里补充修正一点,
以前我以为在 `sell` 的时候给 `k` 减小 1 和在 `buy` 的时候给 `k` 减小 1 是等效的,但细心的读者向我提出质疑,经过深入思考我发现前者确实是错误的,因为交易是从 `buy` 开始,如果 `buy` 的选择不改变交易次数 `k` 的话,会出现交易次数超出限制的的错误。
现在,我们已经完成了动态规划中最困难的一步:状态转移方程。
**如果之前的内容你都可以理解,那么你已经可以秒杀所有问题了,只要套这个框架就行了**
。不过还差最后一点点,就是定义 base case,即最简单的情况。
...
...
@@ -386,7 +386,7 @@ dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i] - fee)
在第一个式子里减也是一样的
,
相当于卖出股票的价格减小了
。
```
> 如果直接把 `fee` 放在第一个式子里减,会有一些测试用例无法通过,错误原因是整型溢出而不是思路问题。一种解决方案是把代码中的 `int` 类型都改成 `long` 类型,避免 `int` 的整型溢出。
>
note:
如果直接把 `fee` 放在第一个式子里减,会有一些测试用例无法通过,错误原因是整型溢出而不是思路问题。一种解决方案是把代码中的 `int` 类型都改成 `long` 类型,避免 `int` 的整型溢出。
直接翻译成代码,注意状态转移方程改变后 base case 也要做出对应改变:
...
...
@@ -498,7 +498,7 @@ int maxProfit_k_2(int[] prices) {
}
```
>
**PS:
这里肯定会有读者疑惑,`k` 的 base case 是 0,按理说应该从 `k = 1, k++` 这样穷举状态 `k` 才对?而且如果你真的这样从小到大遍历 `k`,提交发现也是可以的**。
>
note:**
这里肯定会有读者疑惑,`k` 的 base case 是 0,按理说应该从 `k = 1, k++` 这样穷举状态 `k` 才对?而且如果你真的这样从小到大遍历 `k`,提交发现也是可以的**。
这个疑问很正确,因为我们前文
[
动态规划答疑篇
](
https://labuladong.github.io/article/fname.html?fname=最优子结构
)
有介绍
`dp`
数组的遍历顺序是怎么确定的,主要是根据 base case,以 base case 为起点,逐步向结果靠近。
...
...
动态规划系列/最优子结构.md
浏览文件 @
3e438640
...
...
@@ -15,7 +15,7 @@
**-----------**
> 本文有视频版:[动态规划详解进阶](https://www.bilibili.com/video/BV1uv411W73P/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[动态规划详解进阶](https://www.bilibili.com/video/BV1uv411W73P/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
本文是两年前发的
[
动态规划答疑篇
](
https://mp.weixin.qq.com/s/qvlfyKBiXVX7CCwWFR-XKg
)
的修订版,根据我的不断学习总结以及读者的评论反馈,我给扩展了更多内容,力求使本文成为继
[
动态规划核心套路框架
](
https://labuladong.github.io/article/fname.html?fname=动态规划详解进阶
)
之后的一篇全面答疑文章。以下是正文。
...
...
动态规划系列/状态压缩技巧.md
浏览文件 @
3e438640
...
...
@@ -21,7 +21,7 @@
但是,动态规划求解的过程中也是可以进行阶段性优化的,如果你认真观察某些动态规划问题的状态转移方程,就能够把它们解法的空间复杂度进一步降低,由 O(N^2) 降低到 O(N)。
>
PS
:之前我在本文中误用了「状态压缩」这个词,有读者指出「状态压缩」这个词的含义是把多个状态通过二进制运算用一个整数表示出来,从而减少 `dp` 数组的维度。而本文描述的优化方式是通过观察状态转移方程的依赖关系,从而减少 `dp` 数组的维度,确实和「状态压缩」有所区别。所以严谨起见,我把原来文章中的「状态压缩」都改为了「空间压缩」,避免名词的误用。
>
note
:之前我在本文中误用了「状态压缩」这个词,有读者指出「状态压缩」这个词的含义是把多个状态通过二进制运算用一个整数表示出来,从而减少 `dp` 数组的维度。而本文描述的优化方式是通过观察状态转移方程的依赖关系,从而减少 `dp` 数组的维度,确实和「状态压缩」有所区别。所以严谨起见,我把原来文章中的「状态压缩」都改为了「空间压缩」,避免名词的误用。
能够使用空间压缩技巧的动态规划都是二维
`dp`
问题,
**你看它的状态转移方程,如果计算状态 `dp[i][j]` 需要的都是 `dp[i][j]` 相邻的状态,那么就可以使用空间压缩技巧**
,将二维的
`dp`
数组转化成一维,将空间复杂度从 O(N^2) 降低到 O(N)。
...
...
@@ -50,7 +50,7 @@ int longestPalindromeSubseq(string s) {
}
```
>
PS
:我们本文不探讨如何推状态转移方程,只探讨对二维 DP 问题进行空间压缩的技巧。技巧都是通用的,所以如果你没看过前文,不明白这段代码的逻辑也无妨,完全不会阻碍你学会空间压缩。
>
tip
:我们本文不探讨如何推状态转移方程,只探讨对二维 DP 问题进行空间压缩的技巧。技巧都是通用的,所以如果你没看过前文,不明白这段代码的逻辑也无妨,完全不会阻碍你学会空间压缩。
你看我们对
`dp[i][j]`
的更新,其实只依赖于
`dp[i+1][j-1], dp[i][j-1], dp[i+1][j]`
这三个状态:
...
...
动态规划系列/编辑距离.md
浏览文件 @
3e438640
...
...
@@ -21,7 +21,7 @@
**-----------**
> 本文有视频版:[编辑距离详解动态规划](https://www.bilibili.com/video/BV1uv411W73P/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[编辑距离详解动态规划](https://www.bilibili.com/video/BV1uv411W73P/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
前几天看了一份鹅厂的面试题,算法部分大半是动态规划,最后一题就是写一个计算编辑距离的函数,今天就专门写一篇文章来探讨一下这个问题。
...
...
@@ -51,7 +51,7 @@ int minDistance(String s1, String s2)
前文
[
最长公共子序列
](
https://labuladong.github.io/article/fname.html?fname=LCS
)
说过,
**解决两个字符串的动态规划问题,一般都是用两个指针 `i, j` 分别指向两个字符串的最后,然后一步步往前移动,缩小问题的规模**
。
>
PS
:其实让 `i, j` 从前往后移动也可以,改一下 `dp` 函数/数组的定义即可,思路是完全一样的。
>
tip
:其实让 `i, j` 从前往后移动也可以,改一下 `dp` 函数/数组的定义即可,思路是完全一样的。
设两个字符串分别为
`"rad"`
和
`"apple"`
,为了把
`s1`
变成
`s2`
,算法会这样进行:
...
...
动态规划系列/背包问题.md
浏览文件 @
3e438640
...
...
@@ -15,7 +15,7 @@
**-----------**
> 本文有视频版:[0-1背包问题详解](https://www.bilibili.com/video/BV15B4y1P7X7/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[0-1背包问题详解](https://www.bilibili.com/video/BV15B4y1P7X7/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
后台天天有人问背包问题,这个问题其实不难啊,如果我们号动态规划系列的十几篇文章你都看过,借助框架,遇到背包问题可以说是手到擒来好吧。无非就是状态 + 选择,也没啥特别之处嘛。
...
...
@@ -58,7 +58,7 @@ for 状态1 in 状态1的所有取值:
dp
[
状态1
][
状态2
][...]
=
择优
(
选择1
,
选择2
...)
```
>
PS
:此框架出自历史文章 [团灭 LeetCode 股票问题](https://labuladong.github.io/article/fname.html?fname=团灭股票问题)。
>
tip
:此框架出自历史文章 [团灭 LeetCode 股票问题](https://labuladong.github.io/article/fname.html?fname=团灭股票问题)。
**第二步要明确 `dp` 数组的定义**
。
...
...
@@ -68,7 +68,7 @@ for 状态1 in 状态1的所有取值:
比如说,如果
`dp[3][5] = 6`
,其含义为:对于给定的一系列物品中,若只对前 3 个物品进行选择,当背包容量为 5 时,最多可以装下的价值为 6。
>
PS
:为什么要这么定义?便于状态转移,或者说这就是套路,记下来就行了。建议看一下我们的动态规划系列文章,几种套路都被扒得清清楚楚了。
>
info
:为什么要这么定义?便于状态转移,或者说这就是套路,记下来就行了。建议看一下我们的动态规划系列文章,几种套路都被扒得清清楚楚了。
根据这个定义,我们想求的最终答案就是
`dp[N][W]`
。base case 就是
`dp[0][..] = dp[..][0] = 0`
,因为没有物品或者背包没有空间的时候,能装的最大价值就是 0。
...
...
@@ -146,7 +146,7 @@ int knapsack(int W, int N, int[] wt, int[] val) {
}
```
>
PS
:其实函数签名中的物品数量 `N` 就是 `wt` 数组的长度,所以实际上这个参数 `N` 是多此一举的。但为了体现原汁原味的 0-1 背包问题,我就带上这个参数 `N` 了,你自己写的话可以省略。
>
note
:其实函数签名中的物品数量 `N` 就是 `wt` 数组的长度,所以实际上这个参数 `N` 是多此一举的。但为了体现原汁原味的 0-1 背包问题,我就带上这个参数 `N` 了,你自己写的话可以省略。
至此,背包问题就解决了,相比而言,我觉得这是比较简单的动态规划问题,因为状态转移的推导比较自然,基本上你明确了
`dp`
数组的定义,就可以理所当然地确定状态转移了。
...
...
动态规划系列/魔塔.md
浏览文件 @
3e438640
...
...
@@ -97,7 +97,7 @@ int dp(int[][] grid, int i, int j) {
}
```
>
**PS:
为了简洁,之后 `dp(grid, i, j)` 就简写为 `dp(i, j)`,大家理解就好**。
>
note:**
为了简洁,之后 `dp(grid, i, j)` 就简写为 `dp(i, j)`,大家理解就好**。
接下来我们需要找状态转移了,还记得如何找状态转移方程吗?我们这样定义
`dp`
函数能否正确进行状态转移呢?
...
...
技术/linux进程.md
浏览文件 @
3e438640
...
...
@@ -72,7 +72,7 @@ struct task_struct {
对于一般的计算机,输入流是键盘,输出流是显示器,错误流也是显示器,所以现在这个进程和内核连了三根线。因为硬件都是由内核管理的,我们的进程需要通过「系统调用」让内核进程访问硬件资源。
>
PS
:不要忘了,Linux 中一切都被抽象成文件,设备也是文件,可以进行读和写。
>
note
:不要忘了,Linux 中一切都被抽象成文件,设备也是文件,可以进行读和写。
如果我们写的程序需要其他资源,比如打开一个文件进行读写,这也很简单,进行系统调用,让内核把文件打开,这个文件就会被放到
`files`
的第 4 个位置:
...
...
技术/redis入侵.md
浏览文件 @
3e438640
...
...
@@ -21,7 +21,7 @@
经过一番攀谈交心了解到,他跑了一个比较古老已经停止维护的开源项目,安装的旧版本的 Redis,而且他对 Linux 的使用不是很熟练。我就知道,他的服务器已经被攻陷了,想到也许还会有不少像我这位朋友的人,不重视操作系统的权限、防火墙的设置和数据库的保护,我就写一篇文章简单看看这种情况出现的原因,以及如何防范。
>
PS
:这种手法现在已经行不通了,因为新版本 Redis 都增加了 protect mode,增加了安全性,我们只能在本地简单模拟一下,就别乱试了。
>
note
:这种手法现在已经行不通了,因为新版本 Redis 都增加了 protect mode,增加了安全性,我们只能在本地简单模拟一下,就别乱试了。
### 事件经过
...
...
技术/session和cookie.md
浏览文件 @
3e438640
...
...
@@ -115,7 +115,7 @@ type Session interface {
再说
`Provider`
为啥要抽象出来。我们上面那个图的
`Provider`
就是一个散列表,保存
`sid`
到
`Session`
的映射,但是实际中肯定会更加复杂。我们不是要时不时删除一些 session 吗,除了设置存活时间之外,还可以采用一些其他策略,比如 LRU 缓存淘汰算法,这样就需要
`Provider`
内部使用哈希链表这种数据结构来存储 session。
>
PS
:关于 LRU 算法的奥妙,参见前文 [LRU 算法详解](https://labuladong.github.io/article/fname.html?fname=LRU算法)。
>
tip
:关于 LRU 算法的奥妙,参见前文 [LRU 算法详解](https://labuladong.github.io/article/fname.html?fname=LRU算法)。
因此,
`Provider`
作为一个容器,就是要屏蔽算法细节,以合理的数据结构和算法组织
`sid`
和
`Session`
的映射关系,只需要实现下面这几个方法实现对 session 的增删查改:
...
...
技术/密码技术.md
浏览文件 @
3e438640
...
...
@@ -161,7 +161,7 @@ Diffie-Hellman 密钥交换算法可以做到。**准确的说,该算法并不
![](
https://labuladong.gitee.io/pictures/密码技术/7.jpg
)
>
PS
:以上只是为了说明,证书只需要安装一次,并不需要每次都向认证机构请求;一般是服务器直接给客户端发送证书,而不是认证机构。
>
note
:以上只是为了说明,证书只需要安装一次,并不需要每次都向认证机构请求;一般是服务器直接给客户端发送证书,而不是认证机构。
也许有人问,Alice 要想通过数字签名确定证书的有效性,前提是要有该机构的(认证)公钥,这不是又回到刚才的死循环了吗?
...
...
数据结构系列/BST1.md
浏览文件 @
3e438640
...
...
@@ -24,7 +24,7 @@
**-----------**
> 本文有视频版:[动手实现 TreeMap](https://appktavsiei5995.pc.xiaoe-tech.com/detail/p_62655516e4b0cedf38a93758/6)。
>
tip:
本文有视频版:[动手实现 TreeMap](https://appktavsiei5995.pc.xiaoe-tech.com/detail/p_62655516e4b0cedf38a93758/6)。
在开头先打个广告,我的
[
手把手刷二叉树课程
](
https://aep.xet.tech/s/3YGcq3
)
按照公式和套路讲解了 150 道二叉树题目,只需一顿饭钱,就能手把手带你刷完二叉树分类的题目,迅速掌握递归思维,让你豁然开朗。我绝对有这个信心,信不信,可以等你看完我的二叉树算法系列文章再做评判。
...
...
@@ -96,7 +96,7 @@ void traverse(TreeNode root, int k) {
我们前文
[
高效计算数据流的中位数
](
https://labuladong.github.io/article/fname.html?fname=数据流中位数
)
中就提过今天的这个问题:
> 如果让你实现一个在二叉搜索树中通过排名计算对应元素的方法 `select(int k)`,你会怎么设计?
>
info:
如果让你实现一个在二叉搜索树中通过排名计算对应元素的方法 `select(int k)`,你会怎么设计?
如果按照我们刚才说的方法,利用「BST 中序遍历就是升序排序结果」这个性质,每次寻找第
`k`
小的元素都要中序遍历一次,最坏的时间复杂度是
`O(N)`
,
`N`
是 BST 的节点个数。
...
...
数据结构系列/dijkstra算法.md
浏览文件 @
3e438640
...
...
@@ -130,7 +130,6 @@ void levelTraverse(TreeNode root) {
基于二叉树的遍历框架,我们又可以扩展出多叉树的层序遍历框架:
<!-- muliti_language -->
```
java
// 输入一棵多叉树的根节点,层序遍历这棵多叉树
void
levelTraverse
(
TreeNode
root
)
{
...
...
@@ -543,7 +542,6 @@ int[] dijkstra(int start, List<int[]>[] graph) {}
上述代码首先利用题目输入的数据转化成邻接表表示一幅图,接下来我们可以直接套用 Dijkstra 算法的框架:
<!-- muliti_language -->
```
java
class
State
{
// 图节点的 id
...
...
@@ -667,7 +665,6 @@ class State {
接下来,就可以套用 Dijkstra 算法的代码模板了:
<!-- muliti_language -->
```
java
// Dijkstra 算法,计算 (0, 0) 到 (m - 1, n - 1) 的最小体力消耗
int
minimumEffortPath
(
int
[][]
heights
)
{
...
...
数据结构系列/二叉堆详解实现优先级队列.md
浏览文件 @
3e438640
...
...
@@ -62,7 +62,7 @@ int right(int root) {
下面我们实现一个简化的优先级队列,先看下代码框架:
>
PS
:这里用到 Java 的泛型,`Key` 可以是任何一种可比较大小的数据类型,比如 Integer 等类型。
>
tip
:这里用到 Java 的泛型,`Key` 可以是任何一种可比较大小的数据类型,比如 Integer 等类型。
```
java
public
class
MaxPQ
...
...
数据结构系列/二叉树总结.md
浏览文件 @
3e438640
...
...
@@ -24,7 +24,7 @@
**-----------**
> 本文有视频版:[二叉树/递归的框架思维(纲领篇)](https://www.bilibili.com/video/BV1nG411x77H/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[二叉树/递归的框架思维(纲领篇)](https://www.bilibili.com/video/BV1nG411x77H/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
在开头先打个广告,我的
[
手把手刷二叉树课程
](
https://aep.xet.tech/s/3YGcq3
)
按照公式和套路讲解了 150 道二叉树题目,只需一顿饭钱,就能手把手带你刷完二叉树分类的题目,迅速掌握递归思维,让你豁然开朗。我绝对有这个信心,信不信,可以等你看完我的二叉树算法系列文章再做评判。
...
...
@@ -526,7 +526,7 @@ int maxDepth(TreeNode root) {
讲到这里,照应一下前文:遇到子树问题,首先想到的是给函数设置返回值,然后在后序位置做文章。
> 思考题:请你思考一下,运用后序遍历的题目使用的是「遍历」的思路还是「分解问题」的思路?我会在文末给出答案。
>
info:
思考题:请你思考一下,运用后序遍历的题目使用的是「遍历」的思路还是「分解问题」的思路?我会在文末给出答案。
反过来,如果你写出了类似一开始的那种递归套递归的解法,大概率也需要反思是不是可以通过后序遍历优化了。
...
...
@@ -583,7 +583,7 @@ void levelTraverse(TreeNode root) {
最后,我在不断完善刷题插件对二叉树系列题目的支持,在公众号后台回复关键词「
**插件**
」即可下载,购买我的
**[手把手刷二叉树系列课程](https://aep.xet.tech/s/3YGcq3)**
即可手把手带你运用本文所讲的技巧。
> 思考题答案:文中后序遍历的例题使用了「分解问题」的思路。因为当前节点接收并利用了子树返回的信息,这就意味着你把原问题分解成了当前节点 + 左右子树的子问题。
>
info:
思考题答案:文中后序遍历的例题使用了「分解问题」的思路。因为当前节点接收并利用了子树返回的信息,这就意味着你把原问题分解成了当前节点 + 左右子树的子问题。
**2022/5/12 更新**
:
...
...
数据结构系列/二叉树系列1.md
浏览文件 @
3e438640
...
...
@@ -24,13 +24,13 @@
**-----------**
> 本文有视频版:[二叉树/递归的框架思维(纲领篇)](https://www.bilibili.com/video/BV1nG411x77H/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[二叉树/递归的框架思维(纲领篇)](https://www.bilibili.com/video/BV1nG411x77H/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
在开头先打个广告,我的
[
手把手刷二叉树课程
](
https://aep.xet.tech/s/3YGcq3
)
按照公式和套路讲解了 150 道二叉树题目,只需一顿饭钱,就能手把手带你刷完二叉树分类的题目,迅速掌握递归思维,让你豁然开朗。我绝对有这个信心,信不信,可以等你看完我的二叉树算法系列文章再做评判。
本文承接
[
东哥带你刷二叉树(纲领篇)
](
https://labuladong.github.io/article/fname.html?fname=二叉树总结
)
,先复述一下前文总结的二叉树解题总纲:
> 二叉树解题的思维模式分两类:
>
tip:
二叉树解题的思维模式分两类:
>
> **1、是否可以通过遍历一遍二叉树得到答案**?如果可以,用一个 `traverse` 函数配合外部变量来实现,这叫「遍历」的思维模式。
>
...
...
数据结构系列/二叉树系列2.md
浏览文件 @
3e438640
...
...
@@ -29,7 +29,7 @@
本文是承接
[
东哥带你刷二叉树(纲领篇)
](
https://labuladong.github.io/article/fname.html?fname=二叉树总结
)
的第二篇文章,先复述一下前文总结的二叉树解题总纲:
> 二叉树解题的思维模式分两类:
>
tip:
二叉树解题的思维模式分两类:
>
> **1、是否可以通过遍历一遍二叉树得到答案**?如果可以,用一个 `traverse` 函数配合外部变量来实现,这叫「遍历」的思维模式。
>
...
...
数据结构系列/图.md
浏览文件 @
3e438640
...
...
@@ -22,7 +22,7 @@
**-----------**
> 本文有视频版:[图论基础及遍历算法](https://www.bilibili.com/video/BV19G41187cL/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[图论基础及遍历算法](https://www.bilibili.com/video/BV19G41187cL/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
经常有读者问我「图」这种数据结构,其实我在
[
学习数据结构和算法的框架思维
](
https://labuladong.github.io/article/fname.html?fname=学习数据结构和算法的高效方法
)
中说过,虽然图可以玩出更多的算法,解决更复杂的问题,但本质上图可以认为是多叉树的延伸。
...
...
@@ -98,7 +98,7 @@ boolean[][] matrix;
所以说,使用哪一种方式实现图,要看具体情况。
>
PS
:在常规的算法题中,邻接表的使用会更频繁一些,主要是因为操作起来较为简单,但这不意味着邻接矩阵应该被轻视。矩阵是一个强有力的数学工具,图的一些隐晦性质可以借助精妙的矩阵运算展现出来。不过本文不准备引入数学内容,所以有兴趣的读者可以自行搜索学习。
>
tip
:在常规的算法题中,邻接表的使用会更频繁一些,主要是因为操作起来较为简单,但这不意味着邻接矩阵应该被轻视。矩阵是一个强有力的数学工具,图的一些隐晦性质可以借助精妙的矩阵运算展现出来。不过本文不准备引入数学内容,所以有兴趣的读者可以自行搜索学习。
最后,我们再明确一个图论中特有的
**度**
(degree)的概念,在无向图中,「度」就是每个节点相连的边的条数。
...
...
数据结构系列/拓扑排序.md
浏览文件 @
3e438640
...
...
@@ -23,7 +23,7 @@
**-----------**
> 本文有视频版:[拓扑排序详解及应用](https://www.bilibili.com/video/BV1kW4y1y7Ew/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[拓扑排序详解及应用](https://www.bilibili.com/video/BV1kW4y1y7Ew/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
图这种数据结构有一些比较特殊的算法,比如二分图判断,有环图无环图的判断,拓扑排序,以及最经典的最小生成树,单源最短路径问题,更难的就是类似网络流这样的问题。
...
...
@@ -182,7 +182,7 @@ void traverse(List<Integer>[] graph, int s) {
**上述 GIF 描述了递归遍历二叉树的过程,在 `visited` 中被标记为 true 的节点用灰色表示,在 `onPath` 中被标记为 true 的节点用绿色表示**
。
>
PS
:类比贪吃蛇游戏,`visited` 记录蛇经过过的格子,而 `onPath` 仅仅记录蛇身。`onPath` 用于判断是否成环,类比当贪吃蛇自己咬到自己(成环)的场景。
>
tip
:类比贪吃蛇游戏,`visited` 记录蛇经过过的格子,而 `onPath` 仅仅记录蛇身。`onPath` 用于判断是否成环,类比当贪吃蛇自己咬到自己(成环)的场景。
这样,就可以在遍历图的过程中顺便判断是否存在环了,完整代码如下:
...
...
@@ -265,7 +265,7 @@ int[] findOrder(int numCourses, int[][] prerequisites);
![](
https://labuladong.gitee.io/pictures/拓扑排序/top.jpg
)
>
PS
:图片中拓扑排序的结果有误,`C7->C8->C6` 应该改为 `C6->C7->C8`。
>
note
:图片中拓扑排序的结果有误,`C7->C8->C6` 应该改为 `C6->C7->C8`。
**直观地说就是,让你把一幅图「拉平」,而且这个「拉平」的图里面,所有箭头方向都是一致的**
,比如上图所有箭头都是朝右的。
...
...
@@ -291,9 +291,9 @@ public int[] findOrder(int numCourses, int[][] prerequisites) {
**其实特别简单,将后序遍历的结果进行反转,就是拓扑排序的结果**
。
>
PS
:有的读者提到,他在网上看到的拓扑排序算法不用对后序遍历结果进行反转,这是为什么呢?
你确实可以看到这样的解法,原因是他建图的时候对边的定义和我不同。我建的图中箭头方向是「被依赖」关系,比如节点
`1`
指向
`2`
,含义是节点
`1`
被节点
`2`
依赖,即做完
`1`
才能去做
`2`
,
>
note
:有的读者提到,他在网上看到的拓扑排序算法不用对后序遍历结果进行反转,这是为什么呢?
>
>
你确实可以看到这样的解法,原因是他建图的时候对边的定义和我不同。我建的图中箭头方向是「被依赖」关系,比如节点 `1` 指向 `2`,含义是节点 `1` 被节点 `2` 依赖,即做完 `1` 才能去做 `2`,
如果你反过来,把有向边定义为「依赖」关系,那么整幅图中边全部反转,就可以不对后序遍历结果反转。具体来说,就是把我的解法代码中
`graph[from].add(to);`
改成
`graph[to].add(from);`
就可以不反转了。
...
...
数据结构系列/递归反转链表的一部分.md
浏览文件 @
3e438640
...
...
@@ -26,7 +26,7 @@
反转单链表的迭代实现不是一个困难的事情,但是递归实现就有点难度了,如果再加一点难度,让你仅仅反转单链表中的一部分,你是否能
**够递归实现**
呢?
>
PS
:迭代反转单链表的实现参见 [如何 k 个一组反转链表](https://labuladong.github.io/article/fname.html?fname=k个一组反转链表)。
>
tip
:迭代反转单链表的实现参见 [如何 k 个一组反转链表](https://labuladong.github.io/article/fname.html?fname=k个一组反转链表)。
本文就来由浅入深,step by step 地解决这个问题。如果你还不会递归地反转单链表也没关系,
**本文会从递归反转整个单链表开始拓展**
,只要你明白单链表的结构,相信你能够有所收获。
...
...
算法思维系列/BFS框架.md
浏览文件 @
3e438640
...
...
@@ -23,7 +23,7 @@
**-----------**
> 本文有视频版:[BFS 算法核心框架套路](https://www.bilibili.com/video/BV1oT411u7Vn/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[BFS 算法核心框架套路](https://www.bilibili.com/video/BV1oT411u7Vn/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
后台有很多人问起 BFS 和 DFS 的框架,今天就来说说吧。
...
...
算法思维系列/UnionFind算法详解.md
浏览文件 @
3e438640
...
...
@@ -412,7 +412,7 @@ void solve(char[][] board);
![](
https://labuladong.gitee.io/pictures/unionfind应用/2.jpg
)
>
PS
:这让我想起小时候玩的棋类游戏「黑白棋」,只要你用两个棋子把对方的棋子夹在中间,对方的子就被替换成你的子。可见,占据四角的棋子是无敌的,与其相连的边棋子也是无敌的(无法被夹掉)。
>
note
:这让我想起小时候玩的棋类游戏「黑白棋」,只要你用两个棋子把对方的棋子夹在中间,对方的子就被替换成你的子。可见,占据四角的棋子是无敌的,与其相连的边棋子也是无敌的(无法被夹掉)。
其实这个问题应该归为
[
岛屿系列问题
](
https://labuladong.github.io/article/fname.html?fname=岛屿题目
)
使用 DFS 算法解决:
...
...
算法思维系列/二分查找详解.md
浏览文件 @
3e438640
...
...
@@ -23,7 +23,7 @@
**-----------**
> 本文有视频版:[二分搜索核心框架套路](https://www.bilibili.com/video/BV1Gt4y1b79Q/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[二分搜索核心框架套路](https://www.bilibili.com/video/BV1Gt4y1b79Q/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
本文是前文
[
二分搜索详解
](
https://mp.weixin.qq.com/s/uA2suoVykENmCQcKFMOSuQ
)
的修订版,添加了对二分搜索算法更详细的分析。
...
...
@@ -171,7 +171,7 @@ int left_bound(int[] nums, int target) {
`while(left < right)`
终止的条件是
`left == right`
,此时搜索区间
`[left, left)`
为空,所以可以正确终止。
>
PS
:这里先要说一个搜索左右边界和上面这个算法的一个区别,也是很多读者问的:**刚才的 `right` 不是 `nums.length - 1` 吗,为啥这里非要写成 `nums.length` 使得「搜索区间」变成左闭右开呢**?
>
info
:这里先要说一个搜索左右边界和上面这个算法的一个区别,也是很多读者问的:**刚才的 `right` 不是 `nums.length - 1` 吗,为啥这里非要写成 `nums.length` 使得「搜索区间」变成左闭右开呢**?
>
> 因为对于搜索左右侧边界的二分查找,这种写法比较普遍,我就拿这种写法举例了,保证你以后遇到这类代码可以理解。你非要用两端都闭的写法反而更简单,我会在后面写相关的代码,把三种二分搜索都用一种两端都闭的写法统一起来,你耐心往后看就行了。
...
...
算法思维系列/前缀和技巧.md
浏览文件 @
3e438640
...
...
@@ -23,7 +23,7 @@
**-----------**
> 本文有视频版:[前缀和/差分数组技巧精讲](https://www.bilibili.com/video/BV1NY4y1J7xQ/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[前缀和/差分数组技巧精讲](https://www.bilibili.com/video/BV1NY4y1J7xQ/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
前缀和技巧适用于快速、频繁地计算一个索引区间内的元素之和。
...
...
算法思维系列/双指针技巧.md
浏览文件 @
3e438640
...
...
@@ -29,7 +29,7 @@
**-----------**
> 本文有视频版:[数组双指针技巧汇总](https://www.bilibili.com/video/BV1iG411W7Wm/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[数组双指针技巧汇总](https://www.bilibili.com/video/BV1iG411W7Wm/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
在处理数组和链表相关问题时,双指针技巧是经常用到的,双指针技巧主要分为两类:
**左右指针**
和
**快慢指针**
。
...
...
算法思维系列/回溯算法详解修订版.md
浏览文件 @
3e438640
...
...
@@ -24,7 +24,7 @@
**-----------**
> 本文有视频版:[回溯算法框架套路详解](https://www.bilibili.com/video/BV1P5411N7Xc/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[回溯算法框架套路详解](https://www.bilibili.com/video/BV1P5411N7Xc/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
这篇文章是很久之前的一篇
[
回溯算法详解
](
https://mp.weixin.qq.com/s/trILKSiN9EoS58pXmvUtUQ
)
的进阶版,之前那篇不够清楚,就不必看了,看这篇就行。把框架给你讲清楚,你会发现回溯算法问题都是一个套路。
...
...
@@ -67,7 +67,7 @@ def backtrack(路径, 选择列表):
力扣第 46 题「全排列」就是给你输入一个数组
`nums`
,让你返回这些数字的全排列。
>
**PS
:我们这次讨论的全排列问题不包含重复的数字,包含重复数字的扩展场景我在后文 [回溯算法秒杀排列组合子集的九种题型](https://labuladong.github.io/article/fname.html?fname=子集排列组合) 中讲解**。
>
info**
:我们这次讨论的全排列问题不包含重复的数字,包含重复数字的扩展场景我在后文 [回溯算法秒杀排列组合子集的九种题型](https://labuladong.github.io/article/fname.html?fname=子集排列组合) 中讲解**。
我们在高中的时候就做过排列组合的数学题,我们也知道
`n`
个不重复的数,全排列共有
`n!`
个。那么我们当时是怎么穷举全排列的呢?
...
...
@@ -107,7 +107,7 @@ void traverse(TreeNode root) {
}
```
>
PS
:细心的读者肯定会疑问:多叉树 DFS 遍历框架的前序位置和后序位置应该在 for 循环外面,并不应该是在 for 循环里面呀?为什么在回溯算法中跑到 for 循环里面了?
>
info
:细心的读者肯定会疑问:多叉树 DFS 遍历框架的前序位置和后序位置应该在 for 循环外面,并不应该是在 for 循环里面呀?为什么在回溯算法中跑到 for 循环里面了?
>
> 是的,DFS 算法的前序和后序位置应该在 for 循环外面,不过回溯算法和 DFS 算法略有不同,后文 [图论算法基础](https://labuladong.github.io/article/fname.html?fname=图) 会详细对比,这里可以暂且忽略这个问题。
...
...
@@ -198,7 +198,7 @@ void backtrack(int[] nums, LinkedList<Integer> track, boolean[] used) {
vector
<
vector
<
string
>>
solveNQueens
(
int
n
);
```
>
PS
:皇后可以攻击同一行、同一列、左上左下右上右下四个方向的任意单位。
>
tip
:皇后可以攻击同一行、同一列、左上左下右上右下四个方向的任意单位。
比如如果给你输入
`N = 4`
,那么你就要在 4x4 的棋盘上放置 4 个皇后,返回以下结果(用
`.`
代表空棋盘,
`Q`
代表皇后):
...
...
@@ -280,7 +280,7 @@ bool isValid(vector<string>& board, int row, int col) {
}
```
>
PS
:肯定有读者问,按照 N 皇后问题的描述,我们为什么不检查左下角,右下角和下方的格子,只检查了左上角,右上角和上方的格子呢?
>
info
:肯定有读者问,按照 N 皇后问题的描述,我们为什么不检查左下角,右下角和下方的格子,只检查了左上角,右上角和上方的格子呢?
>
> 因为皇后是一行一行从上往下放的,所以左下方,右下方和正下方不用检查(还没放皇后);因为一行只会放一个皇后,所以每行不用检查。也就是最后只用检查上面,左上,右上三个方向。
...
...
算法思维系列/学习数据结构和算法的高效方法.md
浏览文件 @
3e438640
...
...
@@ -15,7 +15,7 @@
**-----------**
> 本文有视频版:[学习数据结构和算法的框架思维](https://www.bilibili.com/video/BV1EN4y1M79p/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[学习数据结构和算法的框架思维](https://www.bilibili.com/video/BV1EN4y1M79p/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
这是好久之前的一篇文章
[
学习数据结构和算法的框架思维
](
https://mp.weixin.qq.com/s/gE-5KMi4bBvJovdsQXIKgw
)
的修订版。之前那篇文章收到广泛好评,没看过也没关系,这篇文章会涵盖之前的所有内容,并且会举很多代码的实例,教你如何使用框架思维。
...
...
@@ -232,7 +232,7 @@ void traverse(TreeNode root, int k) {
对于一个理解二叉树的人来说,刷一道二叉树的题目花不了多长时间。那么如果你对刷题无从下手或者有畏惧心理,不妨从二叉树下手,前 10 道也许有点难受;结合框架再做 20 道,也许你就有点自己的理解了;刷完整个专题,再去做什么回溯动规分治专题,
**你就会发现只要涉及递归的问题,都是树的问题**
。
PS
:
[
刷题插件
](
https://mp.weixin.qq.com/s/OE1zPVPj0V2o82N4HtLQbw
)
集成了手把手刷二叉树功能,按照公式和套路讲解了 150 道二叉树题目,可手把手带你刷完二叉树分类的题目,迅速掌握递归思维。
> tip
:[刷题插件](https://mp.weixin.qq.com/s/OE1zPVPj0V2o82N4HtLQbw) 集成了手把手刷二叉树功能,按照公式和套路讲解了 150 道二叉树题目,可手把手带你刷完二叉树分类的题目,迅速掌握递归思维。
再举例吧,说几道我们之前文章写过的问题。
...
...
算法思维系列/差分技巧.md
浏览文件 @
3e438640
...
...
@@ -186,7 +186,7 @@ int[] corpFlightBookings(int[][] bookings, int n)
给你输入一个长度为
`n`
的数组
`nums`
,其中所有元素都是 0。再给你输入一个
`bookings`
,里面是若干三元组
`(i, j, k)`
,每个三元组的含义就是要求你给
`nums`
数组的闭区间
`[i-1,j-1]`
中所有元素都加上
`k`
。请你返回最后的
`nums`
数组是多少?
>
PS
:因为题目说的 `n` 是从 1 开始计数的,而数组索引从 0 开始,所以对于输入的三元组 `(i, j, k)`,数组区间应该对应 `[i-1,j-1]`。
>
note
:因为题目说的 `n` 是从 1 开始计数的,而数组索引从 0 开始,所以对于输入的三元组 `(i, j, k)`,数组区间应该对应 `[i-1,j-1]`。
这么一看,不就是一道标准的差分数组题嘛?我们可以直接复用刚才写的类:
...
...
算法思维系列/滑动窗口技巧进阶.md
浏览文件 @
3e438640
...
...
@@ -29,7 +29,7 @@
**-----------**
> 本文有视频版:[滑动窗口算法核心模板框架](https://www.bilibili.com/video/BV1AV4y1n7Zt/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[滑动窗口算法核心模板框架](https://www.bilibili.com/video/BV1AV4y1n7Zt/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
鉴于前文
[
二分搜索框架详解
](
https://labuladong.github.io/article/fname.html?fname=二分查找详解
)
的那首《二分搜索升天词》很受好评,并在民间广为流传,成为安睡助眠的一剂良方,今天在滑动窗口算法框架中,我再次编写一首小诗来歌颂滑动窗口算法的伟大(手动狗头):
...
...
@@ -143,7 +143,7 @@ for (int i = 0; i < s.size(); i++)
1、我们在字符串
`S`
中使用双指针中的左右指针技巧,初始化
`left = right = 0`
,把索引
**左闭右开**
区间
`[left, right)`
称为一个「窗口」。
>
PS
:理论上你可以设计两端都开或者两端都闭的区间,但设计为左闭右开区间是最方便处理的。因为这样初始化 `left = right = 0` 时区间 `[0, 0)` 中没有元素,但只要让 `right` 向右移动(扩大)一位,区间 `[0, 1)` 就包含一个元素 `0` 了。如果你设置为两端都开的区间,那么让 `right` 向右移动一位后开区间 `(0, 1)` 仍然没有元素;如果你设置为两端都闭的区间,那么初始区间 `[0, 0]` 就包含了一个元素。这两种情况都会给边界处理带来不必要的麻烦。
>
tip
:理论上你可以设计两端都开或者两端都闭的区间,但设计为左闭右开区间是最方便处理的。因为这样初始化 `left = right = 0` 时区间 `[0, 0)` 中没有元素,但只要让 `right` 向右移动(扩大)一位,区间 `[0, 1)` 就包含一个元素 `0` 了。如果你设置为两端都开的区间,那么让 `right` 向右移动一位后开区间 `(0, 1)` 仍然没有元素;如果你设置为两端都闭的区间,那么初始区间 `[0, 0]` 就包含了一个元素。这两种情况都会给边界处理带来不必要的麻烦。
2、我们先不断地增加
`right`
指针扩大窗口
`[left, right)`
,直到窗口中的字符串符合要求(包含了
`T`
中的所有字符)。
...
...
@@ -252,7 +252,7 @@ string minWindow(string s, string t) {
}
```
>
PS
:使用 Java 的读者要尤其警惕语言特性的陷阱。Java 的 Integer,String 等类型判定相等应该用 `equals` 方法而不能直接用等号 `==`,这是 Java 包装类的一个隐晦细节。所以在缩小窗口更新数据的时候,不能直接改写为 `window.get(d) == need.get(d)`,而要用 `window.get(d).equals(need.get(d))`,之后的题目代码同理。
>
warning
:使用 Java 的读者要尤其警惕语言特性的陷阱。Java 的 Integer,String 等类型判定相等应该用 `equals` 方法而不能直接用等号 `==`,这是 Java 包装类的一个隐晦细节。所以在缩小窗口更新数据的时候,不能直接改写为 `window.get(d) == need.get(d)`,而要用 `window.get(d).equals(need.get(d))`,之后的题目代码同理。
需要注意的是,当我们发现某个字符在
`window`
的数量满足了
`need`
的需要,就要更新
`valid`
,表示有一个字符已经满足要求。而且,你能发现,两次对窗口内数据的更新操作是完全对称的。
...
...
@@ -322,7 +322,7 @@ bool checkInclusion(string t, string s) {
至于如何处理窗口的扩大和缩小,和最小覆盖子串完全相同。
>
PS
:由于这道题中 `[left, right)` 其实维护的是一个**定长**的窗口,窗口大小为 `t.size()`。因为定长窗口每次向前滑动时只会移出一个字符,所以可以把内层的 while 改成 if,效果是一样的。
>
note
:由于这道题中 `[left, right)` 其实维护的是一个**定长**的窗口,窗口大小为 `t.size()`。因为定长窗口每次向前滑动时只会移出一个字符,所以可以把内层的 while 改成 if,效果是一样的。
### 三、找所有字母异位词
...
...
算法思维系列/集合划分.md
浏览文件 @
3e438640
...
...
@@ -41,7 +41,7 @@ boolean canPartitionKSubsets(int[] nums, int k);
我们之前
[
背包问题之子集划分
](
https://labuladong.github.io/article/fname.html?fname=背包子集
)
写过一次子集划分问题,不过那道题只需要我们把集合划分成两个相等的集合,可以转化成背包问题用动态规划技巧解决。
> 思考题:为什么划分成两个相等的子集可以转化成背包问题用动态规划思路解决,而划分成 `k` 个相等的子集就不可以转化成背包问题,只能用回溯算法暴力穷举?请先尝试自己思考,我会在文末给出答案。
>
info:
思考题:为什么划分成两个相等的子集可以转化成背包问题用动态规划思路解决,而划分成 `k` 个相等的子集就不可以转化成背包问题,只能用回溯算法暴力穷举?请先尝试自己思考,我会在文末给出答案。
但是如果划分成多个相等的集合,解法一般只能通过暴力穷举,时间复杂度爆表,是练习回溯算法和递归思维的好机会。
...
...
@@ -545,7 +545,7 @@ boolean backtrack(int k, int bucket,
好了,这道题我们从两种视角进行穷举,虽然代码量看起来多,但核心逻辑都是类似的,相信你通过本文能够更深刻地理解回溯算法。
> 文中思考题答案:为什么划分两个相等的子集可以转化成背包问题?
>
info:
文中思考题答案:为什么划分两个相等的子集可以转化成背包问题?
> [0-1 背包问题](https://labuladong.github.io/article/fname.html?fname=背包问题) 的场景中,有一个背包和若干物品,每个物品有**两个选择**,分别是「装进背包」和「不装进背包」。把原集合 `S` 划分成两个相等子集 `S_1, S_2` 的场景下,`S` 中的每个元素也有**两个选择**,分别是「装进 `S_1`」和「不装进 `S_1`(装进 `S_2`)」,这时候的穷举思路其实和背包问题相同。
...
...
高频面试系列/名人问题.md
浏览文件 @
3e438640
...
...
@@ -213,7 +213,7 @@ int findCelebrity(int n) {
这个算法避免了嵌套 for 循环,时间复杂度降为 O(N) 了,不过引入了一个队列来存储候选人集合,使用了 O(N) 的空间复杂度。
>
PS
:`LinkedList` 的作用只是充当一个容器把候选人装起来,每次找出两个进行比较和淘汰,但至于具体找出哪两个,都是无所谓的,也就是说候选人归队的顺序无所谓,我们用的是 `addFirst` 只是方便后续的优化,你完全可以用 `addLast`,结果都是一样的。
>
note
:`LinkedList` 的作用只是充当一个容器把候选人装起来,每次找出两个进行比较和淘汰,但至于具体找出哪两个,都是无所谓的,也就是说候选人归队的顺序无所谓,我们用的是 `addFirst` 只是方便后续的优化,你完全可以用 `addLast`,结果都是一样的。
是否可以进一步优化,把空间复杂度也优化掉?
...
...
高频面试系列/子集排列组合.md
浏览文件 @
3e438640
...
...
@@ -34,7 +34,7 @@
**-----------**
> 本文有视频版:[回溯算法秒杀所有排列/组合/子集问题](https://www.bilibili.com/video/BV1Yt4y1t7dK/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
>
tip:
本文有视频版:[回溯算法秒杀所有排列/组合/子集问题](https://www.bilibili.com/video/BV1Yt4y1t7dK/)。建议关注我的 B 站账号,我会用视频领读的方式带大家学习那些稍有难度的算法技巧。
虽然排列、组合、子集系列问题是高中就学过的,但如果想编写算法解决它们,还是非常考验计算机思维的,本文就讲讲编程解决这几个问题的核心思路,以后再有什么变体,你也能手到擒来,以不变应万变。
...
...
@@ -122,7 +122,7 @@ List<List<Integer>> subsets(int[] nums)
![](
https://labuladong.gitee.io/pictures/排列组合/6.jpeg
)
>
**PS:
注意,本文之后所说「节点的值」都是指节点和根节点之间树枝上的元素,且将根节点认为是第 0 层**。
>
info:**
注意,本文之后所说「节点的值」都是指节点和根节点之间树枝上的元素,且将根节点认为是第 0 层**。
那么再进一步,如果想计算所有子集,那只要遍历这棵多叉树,把所有节点的值收集起来不就行了?
...
...
高频面试系列/岛屿题目.md
浏览文件 @
3e438640
...
...
@@ -157,7 +157,7 @@ void dfs(char[][] grid, int i, int j) {
因为
`dfs`
函数遍历到值为
`0`
的位置会直接返回,所以只要把经过的位置都设置为
`0`
,就可以起到不走回头路的作用。
>
PS
:这类 DFS 算法还有个别名叫做 [FloodFill 算法](https://labuladong.github.io/article/fname.html?fname=FloodFill算法详解及应用),现在有没有觉得 FloodFill 这个名字还挺贴切的~
>
tip
:这类 DFS 算法还有个别名叫做 [FloodFill 算法](https://labuladong.github.io/article/fname.html?fname=FloodFill算法详解及应用),现在有没有觉得 FloodFill 这个名字还挺贴切的~
这个最最基本的算法问题就说到这,我们来看看后面的题目有什么花样。
...
...
@@ -238,7 +238,7 @@ void dfs(int[][] grid, int i, int j) {
只要提前把靠边的陆地都淹掉,然后算出来的就是封闭岛屿了。
>
PS
:处理这类岛屿题目除了 DFS/BFS 算法之外,Union Find 并查集算法也是一种可选的方法,前文 [Union Find 算法运用](https://labuladong.github.io/article/fname.html?fname=UnionFind算法详解) 就用 Union Find 算法解决了一道类似的问题。
>
tip
:处理这类岛屿题目除了 DFS/BFS 算法之外,Union Find 并查集算法也是一种可选的方法,前文 [Union Find 算法运用](https://labuladong.github.io/article/fname.html?fname=UnionFind算法详解) 就用 Union Find 算法解决了一道类似的问题。
这道岛屿题目的解法稍微改改就可以解决力扣第 1020 题「飞地的数量」,这题不让你求封闭岛屿的数量,而是求封闭岛屿的面积总和。
...
...
@@ -445,7 +445,7 @@ void dfs(int[][] grid, int i, int j) {
**你看,这就相当于是岛屿序列化的结果,只要每次使用 `dfs` 遍历岛屿的时候生成这串数字进行比较,就可以计算到底有多少个不同的岛屿了**
。
>
PS
:细心的读者问到,为什么记录「撤销」操作才能唯一表示遍历顺序呢?不记录撤销操作好像也可以?实际上不是的。
>
info
:细心的读者问到,为什么记录「撤销」操作才能唯一表示遍历顺序呢?不记录撤销操作好像也可以?实际上不是的。
>
> 比方说「下,右,撤销右,撤销下」和「下,撤销下,右,撤销右」显然是两个不同的遍历顺序,但如果不记录撤销操作,那么它俩都是「下,右」,成了相同的遍历顺序,显然是不对的。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录