[leetcode] 76. Minimum Window Substring

Given a string S and a string T, find the minimum window in S which will contain all the characters in T in complexity O(n).
Example:

Input: S = "ADOBECODEBANC", T = "ABC"
Output: "BANC"

Note:

  • If there is no such window in S that covers all characters in T, return the empty string “”.
  • If there is such window, you are guaranteed that there will always be only one unique minimum window in S.

Solution

这个题目使用滑动窗口来解。复杂度是 O ( n ) O(n) O(n)

class Solution {
 public:
  string minWindow(string s, string t) {
  	//记录t中字符出现的次数。
    int ch[256] = {0}; 
    //记录运行过程中从pstart到pend之间字符出现的次数。
    int ch_count[256] = {0};
    //记录每个在t中出现的字符在s中的位置,因为使用滑动窗口,所以每次选择的是最先被记录的那个,采用队列。
    queue<int> positions; 
    int t_length = t.size();
    for (int i = 0; i < t_length; ++i) {
      ++ch[t[i]];
    }
    int s_length = s.size();
    /***
     * pstart 滑动窗口的起始位置
     * pend滑动窗口的结束位置
     * count用来衡量在pstart和pend之间是否包含了t中的全部字符包括字符的出现次数是否大于等于t中次数。
     * prev记录pend上次的位置,避免重复。
     */
    int pstart = -1, pend = 0, count = 0, pstart_backup = 0, pend_backup = 0, prev = -1;
    while (pend < s_length) {
      if (ch[s[pend]]) {
      	/***
      	 * 如果在pstart和pend之间出现的该字符出现的次数小于t中该字符出现的次数
      	 * 则count++,因为在后面会给该字符出现次数也加1。
      	 */
        if (ch_count[s[pend]] < ch[s[pend]]) {
          count = count + 1;
        }
        //定位第一次出现的位置。
        if (pstart == -1) {
          pstart = pend;
        }
       	//避免重复计数
        if (pend != prev) {
          positions.push(pend);
          ++ch_count[s[pend]];
          prev = pend;
        }
        //从pstart到pend时一个符合条件的子串
        if (count == t_length) {
        	//计算长度,如果需要就备份
          if(pend - pstart + 1 < pend_backup - pstart_backup || pend_backup - pstart_backup == 0) {
            pstart_backup = pstart;
            pend_backup = pend + 1;
          }
          /***
           * 移动pstart之前,移除对s[pstart]的计数
           * 此时如果s[pstart]的计数小于ch[s[pstart]],则count-1,pend后移
           */
          if ((--ch_count[s[pstart]]) < ch[s[pstart]]) {
            count = count - 1;
            pend = pend + 1;
          }
          positions.pop();
          pstart = positions.front();
        } else {
          pend = pend + 1;
        }
      } else {
        pend = pend + 1;
      }
    }
    return s.substr(pstart_backup, pend_backup - pstart_backup);
  }
};
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