剑指offer面试题26-复杂链表的复制

题目:给定一个复杂链表,对其进行复制产生一个新的复杂链表。复杂链表中每个节点中有三个部分:数据域,指向链表中下一个节点的指针,指向链表中其他任意一个节点的指针。复杂链表中节点的定义如下:

struct complexLinkNode
{
     int data;//数据域
     struct complexLinkNode *next;//指向下一个节点的指针
     struct complexLinkNode *ptr;//指向链表中其他任意一个节点的指针
}

这个题第一眼看到时不算太难,但是如果想要实现高效的拷贝(时间复杂度为O(n)),有一定难度。在这里对这个问题进行一下分析。以下面一个复杂链表为例进行分析


方法一:使用一个hash表进行存储的方式,以达到O(n)的效果。

1.过程描述:

第一遍首先扫原始的描复杂链表,并进行拷贝生成新的链表,链表中每个节点的ptr域先置为NULL。锁使用的时间复杂度为n。

在扫描的过程中使用一个hash表将原始复杂链表中的每个点内存与生成的表的内存建立一个映射,接下来用这个hash表来建立每个节点的指向关系。


第二轮同时扫描两个复杂链表,找到原始复杂链表中每一个节点的ptr值,然后使用hash表求得对应的ptr值在新生成的复杂链表中的值,然后使新生成的节点中的ptr值指向它就行了。

下面用一个例子说明下:

(1)原始复杂链表中第一个点4ptr值为NULL,所以新生成的复杂链表的ptr也为NULL。

(2)原始复杂链表中第二个点6ptr指向第三个点。则新的复杂链表中,第二个点中ptr值,指向原始复杂链表中第二个点的ptr值对应的hash值。

即为:新的复杂链表第二个点的ptr = hash(原始复杂链表中第二个点的ptr值);

对于其他的点依次往后即可。


2.实现代码:

#include<iostream>
#include<map>
using namespace std;
struct complexLinkNode
{
	int data;
	struct complexLinkNode * next;
	struct complexLinkNode *ptr;
};

complexLinkNode *copy(complexLinkNode *head)
{
	if (head == NULL)
		return NULL;

	complexLinkNode *newHead = NULL;
	complexLinkNode *p = head;
	complexLinkNode *q = NULL;
	map<complexLinkNode *, complexLinkNode *>m;
	while (p != NULL)//第一次扫描
	{
		if (newHead == NULL)
		{
			newHead = (complexLinkNode *)malloc(sizeof(complexLinkNode));
			newHead->data = p->data;
			newHead->next = newHead->ptr = NULL;
			q = newHead;
		}
		else
		{
			complexLinkNode *qq = (complexLinkNode *)malloc(sizeof(complexLinkNode));
			qq->data = p->data;
			qq->next = qq->ptr = NULL;
			q->next = qq;
			q = qq;
		}
		m.insert(make_pair(p, q));//将原始复杂链表中的点与新复杂链表中的点建立一个对应的hash关系
		p = p->next;
	}
	p = head;
	q = newHead;
	while (p != NULL && q != NULL)//第二遍扫描原始复杂链表,使用hash表建立每个节点中的ptr关系
	{
		if (p->ptr != NULL)
		{
			q->ptr = m[p->ptr];
		}
		p = p->next;
		q = q->next;
	}
	return newHead;
}

这样的一个方法,虽说能够在O(n)时间实现复杂链表拷贝,但是增加了一个额外的开销就是使用了hash表。接下来,将会介绍一个不用增加额外开销就可以个实现复制功能。

方法二:具体看过程

1、过程描述

第一轮首先根据原始链表中的每一个节点拷贝出一个新的节点。每个新节点作为产生该新节点的原始节点后继,新节点的ptr先置为NULL。经过这一轮后


第二步:修改新产生节点的ptr指针。在原始链表中6的ptr指向节点2,那么新产生的节点6(红色的)的ptr应该是节点2的next。由此我们就可以得到所有新产生节点ptr。


第三步:将第二步产生的链表分开,奇数位置的构成一个单独链表,偶数位置的构成一个单独链表。


2、实现代码

void stepOne(complexLinkNode *&head)
{
	if (head == NULL)
		return;
	complexLinkNode *p = head;
	while (p != NULL)
	{
		complexLinkNode *temp = (complexLinkNode *)malloc(sizeof(complexLinkNode));
		temp->data = p->data;
		temp->next = p->next;
		temp->ptr = NULL;
		p->next = temp;
		p = temp->next;
	}
}

void stepTwo(complexLinkNode *&head)//修改新生成的节点的ptr域,head这个链表中节点个数一定是偶数个
{
	if (head == NULL)
		return;
	complexLinkNode *p = head;
	while (p != NULL)
	{
		if (p->ptr != NULL)
		{
			p->next->ptr = p->ptr->next;
		}
		p = p->next->next;
	}
}

complexLinkNode* stepThree(complexLinkNode *&head)
{
	if (head == NULL)
		return;
	complexLinkNode *newHead = NULL;
	complexLinkNode *p = head;
	newHead = p->next;
	complexLinkNode *q = newHead;
	while (p != NULL)
	{
		p->next = q->next;
		p = p->next;
		if (p != NULL)
		{
			q->next = p->next;
			q = q->next;
		}
	}
	return newHead;
}
这个过程不用借助于额外的hash表来实现。




1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值