【链表-7】leetcode-61:旋转链表(Rotate List)

题目链接参考链接

题目描述:

给定一个链表,旋转链表,将链表每个节点向右移动 k 个位置,其中 k 是非负数。

示例 1:
输入: 1->2->3->4->5->NULL, k = 2
输出: 4->5->1->2->3->NULL
解释:
向右旋转 1 步: 5->1->2->3->4->NULL
向右旋转 2 步: 4->5->1->2->3->NULL
示例 2:
输入: 0->1->2->NULL, k = 4
输出: 2->0->1->NULL
解释:
向右旋转 1 步: 2->0->1->NULL
向右旋转 2 步: 1->2->0->NULL
向右旋转 3 步: 0->1->2->NULL
向右旋转 4 步: 2->0->1->NULL

思想:

这道题主要先理解题意,就是倒着数k个node,从那开始到结尾和之前那部分对调,举个例子就是,4->5拿前面来,1->2->3拿后面去。熟悉的faster/slower双指针解决就好(看到这种linkedlist,倒着数数的,就条件反射了)

  • 先对faster设步长为n,然后faster和slower再一起走,知道faster.next==null,说明slower指向要倒着数的开始点的前一个位置。
  • 所以slow.next就是要返回的链表的第一个结点,保存一下。
  • 然后把fast.next接到head上,slow.next存为null,作队尾。这样就把list给rotate了。

PS:需要先计算一下链表长度,然后取个余数,意味k太大的话,就一圈又一圈的循环了。
在这里插入图片描述
在这里插入图片描述

class ListNode{
	int val;
	ListNode next;
	public ListNode(int x) {
		val = x;
	}
}
public class test1 {
	public static ListNode rotateRight(ListNode head, int k) {
		//处理特殊情况
		if(head == null || head.next == null || k == 1) return head;
		//新建虚拟头结点
		ListNode dummy = new ListNode(-1);
		dummy.next = head;
		//初始化快慢指针和计数指针
		ListNode slow = head, fast = head, countlen = head;
		//首先取得链表的长度
		int len = 0;
		while(countlen != null) {
			len++;
			countlen = countlen.next;
		}
		//更新k
		k = k % len;
		//慢指针先走k步
		for(int i = 0; i < k; i++) {
			fast = fast.next;
		}
		//快慢指针同时走
		while(fast.next != null) {
			fast = fast.next;
			slow = slow.next;
		}
		//此时,slow指向倒数第1个结点,fast指向倒数第k+1指针
		//翻转链表,详情画图
		dummy.next = slow.next;
		fast.next = head;
		slow.next = null;
		
		return dummy.next;
	}
	
	//初始化链表
	public static void add(ListNode node, int[] data) {
		ListNode temp = node;
		if(data.length == 0) return;
		for(int i = 0; i < data.length; i++) {
			temp.next = new ListNode(data[i]);
			temp = temp.next;
		}
	}
	//打印链表
	public static void LinkedPrint(ListNode node) {
		if(node == null) return;
		while(node != null) {
			System.out.println(node.val + " ");
			node = node.next;
		}
	}
	public static void main(String[] args) {
		ListNode p = new ListNode(0);
		int [] nums = {1, 2, 3, 4, 5};
		add(p, nums);
		ListNode result = rotateRight(p.next, 2);
		LinkedPrint(result);

	}
}

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