Leetcode题集

这篇博客深入探讨了LeetCode中关于树、分治、链表、二叉搜索树、图论、搜索/回溯、二分搜索和双指针等算法的典型问题。涵盖了如二叉树的中序遍历、查找相同结构的树、层序遍历等经典题目,还涉及二分查找、动态规划和高级算法应用。通过这些实例,读者可以提升在实际问题中应用这些算法的能力。
摘要由CSDN通过智能技术生成

树(Tree)

idnameDifficultySimilar problemsComments
94Binary Tree Inorder Traversal144,145,429,589,590,987,1302traversal
100Same Tree★★101,104,110,111,572,965
102Binary Tree Level Order Traversal★★107,429,872
814Binary Tree Pruning★★★669,1325
112Path Sum★★★113,437
129Sum Root to Leaf Numbers★★★257
236Lowest Common Ancestor of a Binary Tree★★★235
297Serialize and Deserialize Binary Tree★★★449
508Most Frequent Subtree Sum★★★
124Binary Tree Maximum Path Sum★★★543,687Use both children return one
968Binary Tree Cameras★★★★337,979

分治(Divide and Conquer)

idnameDifficultySimilar problemsComments
169Majority Element★★你知道茴香豆的茴有几种写法吗?
153Find Minimum in Rotated Sorted Array★★154
912Sort and Array★★★merge sort
315Count of Smaller Numbers After Self★★★★merge_sort/BIT

链表(Linked List)

idnameDifficultySimilar problemsComments
2Add Two Numbers★★445traversal
24Swap Nodes in Pairs★★reverse
206Reverse Linked List★★reverse
141Linked List Cycle★★142fast/low
23Merge k Sorted Lists★★★21priority_queue / mergesort
147Insertion Sort List★★★insertion sort
148Sort List★★★★merge sort O(1) space
707Design Linked List★★★★

二叉搜索树(BST)

idnameDifficultySimilar problemsComments
98Validate Binary Search Tree★★530inorder
700Search in a Binary Search Tree★★701binary search
230Kth Smallest Element in a BST★★★inorder
99Recover Binary Search Tree★★★inorder
108Convert Sorted Array to Binary Search Tree★★★build BST
501Find Mode in Binary Search Tree★★★inorder
450Delete Node in a BST★★★★binary search

图论(Graph)

idnameDifficultySimilar problemsComments
133Clone Graph★★138queue + hashtable
200Number of Islands★★547 695 733 827 1162grid + connected components
841Keys and Rooms★★1202DFS, connected components
207Course Schedule★★★210 802topology sorting
399Evaluate Division★★★839 952 990 721 737union find
785Is Graph Bipartite?★★★886 1042bipartition, graph coloring
997Find the Town Judge★★★in/out degrees
433Minimum Genetic Mutation★★★815 863 1129 1263unweighted shortest path / BFS
684Redundant Connection★★★★685 1319cycle, union find
743Network Delay Time★★★★787 882 924 1334weighted shortest path
847Shortest Path Visiting All Nodes★★★★864 1298BFS
332Reconstruct Itinerary★★★★Eulerian path
1192Critical Connections in a Network★★★★Tarjan
943Find the Shortest Superstring★★★★★980 996Hamiltonian path (DFS / DP)
959Regions Cut By Slashes★★★★★union find / grid + CCs

搜索/回溯(BFS/DFS)

idnameDifficultySimilar problemsComments
17Letter Combinations of a Phone Number★★39 40 77 78 90 216Combination
46Permutations★★47 784 943 996Permutation
22Generate Parentheses★★★301DFS
37Sudoku Solver★★★51 52DFS
79Word Search★★★212DFS
127Word Ladder★★★★126 752 818BFS
54201 Matrix★★★675 934BFS
698Partition to K Equal Sum Subsets★★★93 131 241 282 842Partition

二分搜索(Binary Search)

idnameDifficultySimilar problemsComments
35Search Insert Position★★34 704 981upper_bound
33Search in Rotated Sorted Array★★★81 153 154 162 852rotated / peak
69Sqrt(x)★★★upper_bound
74Search a 2D Matrix★★★treat 2d as 1d
875Koko Eating Bananas★★★1011guess ans and check
4Median of Two Sorted Arrays★★★★
378Kth Smallest Element in a Sorted Matrix★★★★668kth + matrix
719Find K-th Smallest Pair Distance★★★★786kth + two pointers

双指针(Two Pointers)

idnameDifficultySimilar problemsComments
11Container With Most Water★★42
125Valid Palindrome★★455
917Reverse Only Letters★★925 986 855
167Two Sum II – Input array is sorted★★★15 16
977Squares of a Sorted Array★★merge sort
992Subarrays with K Different Integers★★★★

高级(Advanced)

idnameDifficultySimilar problemsComments
208Implement Trie (Prefix Tree)★★★648 676 677 720 745 211Trie
307Range Sum Query – Mutable★★★BIT/Segment Tree
901Online Stock Span★★★907 1019monotonic stack
239Sliding Window Maximum★★★monotonic queue

动态规划(DP)

idnameDifficultySimilar problemsComments
70Climbing Stairs746 1137I: O(n), S = O(n), T = O(n)
303Range Sum Query – Immutable1218I: O(n), S = O(n), T = O(n)
53Maximum Subarray★★121I: O(n), S = O(n), T = O(n)
62Unique Paths★★63 64 120 174 931 1210I: O(mn), S = O(mn), T = O(mn)
85Maximal Rectangle★★★221 304 1277I: O(mn), S = O(mn), T = O(mn)
198House Robber★★★213 309 740 790 801I: O(n), S = O(3n), T = O(3n)
279Perfect Squares★★★I: n, S = O(n), T = O(n*sqrt(n))
139Word Break★★★140 818
300Longest Increasing Subsequence★★★673 1048I: O(n), S = O(n), T = O(n^2)
6Unique Binary Search Trees★★★I: O(n), S = O(n), T = O(n^2)
96Unique Binary Search Trees★★★
1105Filling Bookcase Shelves★★★I: O(n) + t, S = O(n), T = O(n^2)
131Palindrome Partitioning★★★89I: O(n), S = O(2^n), T = O(2^n)
72Edit Distance★★★10 44 97 115 583I: O(m+n), S = O(mn), T = O(mn)
1139Largest 1-Bordered Square★★★I: O(mn), S = O(mn) T = O(mn*min(n,m))
688Knight Probability in Chessboard★★★576 935I: O(mn) + k S = O(kmn), T = O(kmn)
322Coin Change★★★377 416 494 1043 1049 1220 1230 1262 1269I: O(n) + k, S = O(n), T = O(kn)
813Largest Sum of Averages★★★★1278 1335 410I: O(n) + k S = O(n*k), T = O(kn^2)
1223Dice Roll Simulation★★★★I: O(n) + k + p S = O(k*p), T = O(n^2kp)
312Burst Balloons★★★★664 1024 1039 1140 1130I: O(n), S = O(n^2), T = O(n^3)
741Cherry Pickup★★★★I: O(n^2), S = O(n^3), T = O(n^3)
546Remove Boxes★★★★★I: O(n), S = O(n^3), T = O(n^4)
943Find the Shortest Superstring★★★★★980 996 1125I: O(n) S = O(n*2^n), T = (n2*2n)
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。
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