Aision_tean的博客

本文介绍了LeetCode第188题"买卖股票的最佳时机IV"的动态规划解法。该题要求最多进行k次交易获取最大利润，是之前股票买卖问题的泛化版本。作者通过分析状态转移规律，将交易次数抽象为2k+1个状态（买入/卖出交替），并用双重循环实现递推：外层遍历天数，内层遍历交易状态。奇数状态表示买入，偶数状态表示卖出，初始化时将第0天的奇数状态设为-prices[0]。最终返回最后一天完成k次交易后的最大利润。文章展示了Java和Python的实现代码，体现了动态规划在解决复杂股票交易问题中的强

这篇文章详细解析了LeetCode第123题"买卖股票的最佳时机 III"的动态规划解法。该题限制最多只能完成两笔交易，属于困难级别。作者通过五步法推导动态规划思路：1)定义五种状态（两次买卖的不同阶段）；2)推导状态转移方程，分别处理第一次买入、卖出和第二次买入、卖出的情况；3)初始化第0天的状态；4)从前向后遍历实现状态转移。最终给出的Java和Python代码实现展现了如何通过二维数组记录各状态下的最大收益。文章强调，尽管题目难度较高，但通过系统化的动态规划框架，可以有条不紊地解决

本文介绍了LeetCode第121题"买卖股票的最佳时机"的三种解法。首先分析了暴力解法的时间复杂度问题，然后重点讲解了贪心算法和动态规划的实现思路。贪心算法通过维护最低价格和最大利润两个变量实现O(n)时间复杂度的求解。动态规划则通过定义持有/不持有股票两种状态，推导状态转移方程，并给出了Java和Python的实现代码。文章最后指出，虽然贪心解法更简洁，但掌握动态规划思路对解决股票问题的其他变种更有帮助。通过系统梳理，作者加深了对状态转移和算法优化的理解。

这篇文章介绍了如何解决LeetCode上分发糖果的问题。题目要求给站成一排的孩子发糖果，满足相邻孩子中评分高的获得更多糖果，且每个孩子至少1颗糖。作者通过两次遍历的贪心算法巧妙地解决了这个问题：第一次从左到右确保满足左规则，第二次从右到左结合右规则取最大值。这种方法时间复杂度O(N)，空间复杂度O(N)，代码简洁高效。文章提供了Java和Python的实现代码，并分析了算法的复杂度。

文章摘要 LRU（Least Recently Used）是一种缓存淘汰算法，核心思想是淘汰最久未使用的数据以腾出空间。标准LRU实现结合哈希表（$O(1)$查找）和双向链表（$O(1)$节点移动），通过维护环形链表简化操作。进阶版支持TTL（过期时间），采用惰性删除策略，在访问时检查数据是否过期。Java代码展示了LRU的基础实现与带TTL的扩展，确保高效缓存管理。

【LeetCode 994】腐烂的橘子：多源BFS经典解法与思路复盘