flex_university的博客

自顶向下变自底向上：递归边界变为数组初始值；dfs函数状态转移方程变为f数组状态计算方程；递归改为循环。

它利用了堆数据结构的特性，可以在 O(n log k) 时间复杂度内完成操作，其中 n 是可迭代对象的元素数量，k 是要求的最小元素数量。其中树的层数代表做选择的次数，本题中任意方法选择次数相等，均为m（行数）+n（列数）次，故有m+n层，空间（递归的栈空间）用到m+n。当然注意到数字都是正数，可以直接在原来数字上乘以负一来标记入队，每列遍历本列入队（标记）的可以移动到的元素，可以节省空间O（1）可以用两个数组记录，can记录当前判断行能被移动到的元素，tes在判断中记录下一行可以移动到的元素。

与完全背包不同的点在，首先，其次，空间优化成一个数组时，完全背包只需要当前target的上一组状态，而多重背包需要当前target及其之前的数的上一组状态。本题对于时间优化的要求极为严苛，如果用常规多重背包，是过不了的（尽管下方代码已经做了一个小优化，让时间近乎减半）。依旧是上一轮的旧值，对应原方程中的f[i−1][j−(c[x]+1)∗x]由于是倒序遍历，此时的f[j−(c[x]+1)∗x]还未被更新，优化二有更简单的理解，建立在优化一的基础之上，是本轮的新值，对应原方程中的f[i][j−x]

最开始考虑成选几个或不选的情况，这样写超时。只需要考虑选或不选这个数一次，选的话i（当前选择的数）不变，只是改变剩下需要凑的数值。空间优化到一个数组时，可以注意一下不变的位置和变得位置，从会变的位置开始修改可以减少if，else判断语句。Solution1：递归+备忘录。相对于上一题改动递推式为＋即可。Solution3：空间优化。Solution2：递推。

回溯算法中的循环，对应遍历树结构一层节点的横向进程，而递归相当于纵向进程明白算法中设计的递归函数，循环结构的不变性很关键（完成什么样的相似的任务）回溯法三部曲1、递归函数的返回值以及参数2、回溯函数终止条件3、单层搜索的过程对于回溯题目，有时可以进行减枝优化。

在c++中，由于可以用数组、set、map来做哈希表，故要考虑各自特性。而python中，主要使用的就是数组和字典。对于效率而言，一定要熟悉自己使用语言对这些结构的底层实现，才能更好的运用。数组数组是定长的，并且键是隐藏的下标索引，故适用于已经知道长度和对下标映射的，如242.有效的字母异位词和383.赎金信。字典而对于349. 两个数组的交集1.两数之和202.快乐数这种没有限制大小的、数值跨度太大，就不能用数组了（除非你自己设计映射规则和冲突规则，构建hash）而。

在内存中是存储在不同的位置上的，而不是挨着存储的。列表的元素可以是不同类型的对象，所以它们可能会占据不同大小的内存空间。然后，它使用插入排序将这些run进行排序，然后使用合并排序将排好序的run合并在一起，直到整个列表都被排序。在滑动窗口解法中，循环不变量（维持的窗口）是以right为右端点的满足条件的最小的子数组窗口（除了不存在情况）。在内存中是通过连续的内存块存储的，并且列表对象包含对第一个元素的引用，以及每个元素的地址偏移量。在Python的列表中，使用下标索引一个元素的时间复杂度是O(1)。