代码随想录算法day39 | 动态规划算法part12 | 115.不同的子序列，583. 两个字符串的删除操作，72. 编辑距离

最新推荐文章于 2024-09-27 14:28:55 发布
最新推荐文章于 2024-09-27 14:28:55 发布
阅读量967 收藏 29
点赞数 20
分类专栏： LeetCode算法 文章标签： 算法 动态规划 java leetcode
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_62415132/article/details/142486491
版权

115.不同的子序列

相对于 392.判断子序列，本题有难度了，感受一下本题和 392.判断子序列 的区别。

力扣题目链接(opens new window)

给定一个字符串 s 和一个字符串 t ，计算在 s 的子序列中 t 出现的个数。

字符串的一个 子序列 是指，通过删除一些（也可以不删除）字符且不干扰剩余字符相对位置所组成的新字符串。（例如，"ACE" 是 "ABCDE" 的一个子序列，而 "AEC" 不是）

题目数据保证答案符合 32 位带符号整数范围。

115.不同的子序列示例

提示：

  • 0 <= s.length, t.length <= 1000
  • s 和 t 由英文字母组成

这道题目如果不是子序列，而是要求连续序列的，那就可以考虑用KMP。

相对于之前的 392.判断字序列 就有难度了，这道题目双指针法可就做不了了，来看看动规五部曲分析如下：

  • 确定dp数组（dp table）以及下标的含义

dp[i][j]：以 i-1 为结尾的 s 子序列中出现以 j-1 为结尾的 t 的个数为 dp[i][j]。

为什么 i-1，j-1 这么定义在 718.最长重复子数组 中做了详细的讲解。

  • 确定递推公式

这一类问题，基本是要分析两种情况

  • s[i - 1] 与 t[j - 1]相等
  • s[i - 1] 与 t[j - 1] 不相等

当 s[i - 1] 与 t[j - 1]相等时，dp[i][j] 可以有两部分组成。

一部分是用 s[i - 1] 来匹配，那么个数为 dp[i - 1][j - 1]。即不需要考虑当前 s 子串和 t 子串的最后一位字母，所以只需要 dp[i-1][j-1]。

一部分是不用s[i - 1]来匹配，个数为dp[i - 1][j]。

这里可能有盆友不明白了，为什么还要考虑 不用s[i - 1]来匹配，都相同了指定要匹配啊。

例如： s：bagg 和 t：bag ，s[3] 和 t[2]是相同的，但是字符串 s 也可以不用 s[3] 来匹配，即用s[0]s[1]s[2]组成的bag。

当然也可以用s[3]来匹配，即：s[0]s[1]s[3]组成的bag。

所以当s[i - 1] 与 t[j - 1]相等时，dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];

当s[i - 1] 与 t[j - 1]不相等时，dp[i][j]只有一部分组成，不用s[i - 1]来匹配（就是模拟在 s 中删除这个元素），即：dp[i - 1][j]

所以递推公式为：dp[i][j] = dp[i - 1][j];

这里可能还有疑惑，为什么只考虑 “不用 s[i - 1] 来匹配” 这种情况， 不考虑 “不用t[j - 1]来匹配” 的情况呢。

这里大家要明确，我们求的是 s 中有多少个 t，而不是求 t 中有多少个 s，所以只考虑 s 中删除元素的情况，即不用 s[i - 1] 来匹配的情况。

  • dp数组如何初始化

从递推公式dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j]; 和 dp[i][j] = dp[i - 1][j]; 中可以看出dp[i][j] 是从上方和左上方推导而来，如图：，那么 dp[i][0] 和dp[0][j]是一定要初始化的。

每次当初始化的时候，都要回顾一下 dp[i][j] 的定义，不要凭感觉初始化。

dp[i][0]表示什么呢？

dp[i][0] 表示：以i-1为结尾的s可以随便删除元素，出现空字符串的个数。

那么dp[i][0]一定都是1，因为也就是把以 i-1 为结尾的 s，删除所有元素，出现空字符串的个数就是1。

再来看dp[0][j]

dp[0][j]：空字符串 s 可以随便删除元素，出现以j-1为结尾的字符串t的个数。

那么dp[0][j]一定都是0，s 如论如何也变成不了 t。

最后就要看一个特殊位置了，即：dp[0][0] 应该是多少。

dp[0][0]应该是 1，空字符串 s，可以删除 0 个元素，变成空字符串 t。

初始化分析完毕，代码如下：

int[][] dp = new int[s.length() + 1][t.length() + 1];
for (int i = 0; i < s.length() + 1; i++) {
    dp[i][0] = 1;
}

  • 确定遍历顺序

从递推公式dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j]; 和 dp[i][j] = dp[i - 1][j]; 中可以看出dp[i][j]都是根据左上方和正上方推出来的。

所以遍历的时候一定是从上到下，从左到右，这样保证 dp[i][j] 可以根据之前计算出来的数值进行计算。

代码如下：

for (int i = 1; i <= s.length(); i++) {
    for (int j = 1; j <= t.length(); j++) {
        if (s[i - 1] == t[j - 1]) {
            dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];
        } else {
            dp[i][j] = dp[i - 1][j];
        }
    }
}

  • 举例推导dp数组

以s："baegg"，t："bag"为例，推导dp数组状态如下：

115.不同的子序列

如果写出来的代码怎么改都通过不了，不妨把dp数组打印出来，看一看，是不是这样的。

动规五部曲分析完毕，代码如下：

class Solution {
    public int numDistinct(String s, String t) {
        int[][] dp = new int[s.length() + 1][t.length() + 1];
        for (int i = 0; i < s.length() + 1; i++) {
            dp[i][0] = 1;
        }
        
        for (int i = 1; i < s.length() + 1; i++) {
            for (int j = 1; j < t.length() + 1; j++) {
                if (s.charAt(i - 1) == t.charAt(j - 1)) {
                    dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];
                }else{
                    dp[i][j] = dp[i - 1][j];
                }
            }
        }
        
        return dp[s.length()][t.length()];
    }
}
  • 时间复杂度: O(n * m)
  • 空间复杂度: O(n * m)

 583. 两个字符串的删除操作

本题和上题 115.不同的子序列 相比，其实就是两个字符串都可以删除了，情况虽说复杂一些，但整体思路是不变的。

力扣题目链接(opens new window)

给定两个单词 word1 和 word2，找到使得 word1 和 word2 相同所需的最小步数，每步可以删除任意一个字符串中的一个字符。

示例：

  • 输入: "sea", "eat"
  • 输出: 2
  • 解释: 第一步将"sea"变为"ea"，第二步将"eat"变为"ea"

本题和上题 115.不同的子序列 相比，其实就是两个字符串都可以删除了，情况虽说复杂一些，但整体思路是不变的。

这次是两个字符串可以相互删了，这种题目也知道用动态规划的思路来解，动规五部曲，分析如下：

  • 确定dp数组（dp table）以及下标的含义

dp[i][j]：以 i-1 为结尾的字符串 word1，和以 j-1 为结尾的字符串 word2，想要达到相等，所需要删除元素的最少次数。

这里dp数组的定义有点点绕，大家要捋清思路。

  • 确定递推公式

  • 当word1[i - 1] 与 word2[j - 1]相同的时候
  • 当word1[i - 1] 与 word2[j - 1]不相同的时候

当word1[i - 1] 与 word2[j - 1]相同的时候，dp[i][j] = dp[i - 1][j - 1];

当word1[i - 1] 与 word2[j - 1]不相同的时候，有三种情况：

情况一：删word1[i - 1]，最少操作次数为dp[i - 1][j] + 1

情况二：删word2[j - 1]，最少操作次数为dp[i][j - 1] + 1

情况三：同时删word1[i - 1]和word2[j - 1]，操作的最少次数为dp[i - 1][j - 1] + 2

那最后当然是取最小值，所以当word1[i - 1] 与 word2[j - 1]不相同的时候，递推公式：dp[i][j] = min({dp[i - 1][j - 1] + 2, dp[i - 1][j] + 1, dp[i][j - 1] + 1});

  • dp数组如何初始化

从递推公式中，可以看出来，dp[i][0] 和 dp[0][j]是一定要初始化的。

dp[i][0]：word2为空字符串，以 i-1 为结尾的字符串word1要删除多少个元素，才能和 word2 相同呢，很明显 dp[i][0] = i。

dp[0][j]的话同理，所以代码如下：

int[][] dp = new int[word1.length() + 1][word2.length() + 1];
for (int i = 0; i < word1.length() + 1; i++) dp[i][0] = i;
for (int j = 0; j < word2.length() + 1; j++) dp[0][j] = j;

  • 确定遍历顺序

从递推公式 dp[i][j] = min(dp[i - 1][j - 1] + 2, min(dp[i - 1][j], dp[i][j - 1]) + 1); 和dp[i][j] = dp[i - 1][j - 1]可以看出dp[i][j]都是根据左上方、正上方、正左方推出来的。

所以遍历的时候一定是从上到下，从左到右，这样保证dp[i][j]可以根据之前计算出来的数值进行计算。

  • 举例推导dp数组

以word1:"sea"，word2:"eat"为例，推导dp数组状态图如下：

583.两个字符串的删除操作1

以上分析完毕，代码如下：

// dp数组中存储需要删除的字符个数
class Solution {
    public int minDistance(String word1, String word2) {
        int[][] dp = new int[word1.length() + 1][word2.length() + 1];
        for (int i = 0; i < word1.length() + 1; i++) dp[i][0] = i;
        for (int j = 0; j < word2.length() + 1; j++) dp[0][j] = j;
        
        for (int i = 1; i < word1.length() + 1; i++) {
            for (int j = 1; j < word2.length() + 1; j++) {
                if (word1.charAt(i - 1) == word2.charAt(j - 1)) {
                    dp[i][j] = dp[i - 1][j - 1];
                }else{
                    dp[i][j] = Math.min(dp[i - 1][j - 1] + 2,
                                        Math.min(dp[i - 1][j] + 1, dp[i][j - 1] + 1));
                }
            }
        }
        
        return dp[word1.length()][word2.length()];
    }
}
  • 时间复杂度: O(n * m)
  • 空间复杂度: O(n * m)

72. 编辑距离

最终我们迎来了编辑距离这道题目，之前安排题目都是为了编辑距离做铺垫。

力扣题目链接(opens new window)

给你两个单词 word1 和 word2，请你计算出将 word1 转换成 word2 所使用的最少操作数 。

你可以对一个单词进行如下三种操作：

  • 插入一个字符

  • 删除一个字符

  • 替换一个字符

  • 示例 1：

  • 输入：word1 = "horse", word2 = "ros"

  • 输出：3

  • 解释： horse -> rorse (将 'h' 替换为 'r') rorse -> rose (删除 'r') rose -> ros (删除 'e')

  • 示例 2：

  • 输入：word1 = "intention", word2 = "execution"

  • 输出：5

  • 解释： intention -> inention (删除 't') inention -> enention (将 'i' 替换为 'e') enention -> exention (将 'n' 替换为 'x') exention -> exection (将 'n' 替换为 'c') exection -> execution (插入 'u')

提示：

  • 0 <= word1.length, word2.length <= 500
  • word1 和 word2 由小写英文字母组成

编辑距离终于来了，这道题目如果大家没有了解动态规划的话，会感觉超级复杂。

编辑距离是用动规来解决的经典题目，这道题目看上去好像很复杂，但用动规可以很巧妙的算出最少编辑距离。

接下来我依然使用动规五部曲，对本题做一个详细的分析：

  • 确定dp数组（dp table）以及下标的含义

dp[i][j] 表示以下标 i-1 为结尾的字符串word1，和以下标 j-1 为结尾的字符串word2，最小编辑距离为dp[i][j]。

有同学问了，为啥要表示下标 i-1 为结尾的字符串呢，为啥不表示下标i为结尾的字符串呢？

其实用 i 来表示也可以！ 用 i-1 就是为了方便后面dp数组初始化的。

  • 确定递推公式

在确定递推公式的时候，首先要考虑清楚编辑的几种操作，整理如下：

if (word1[i - 1] == word2[j - 1])
    不操作
if (word1[i - 1] != word2[j - 1])
    增
    删
    换

也就是如上4种情况。

if (word1[i - 1] == word2[j - 1]) 那么说明不用任何编辑，dp[i][j] 就应该是 dp[i - 1][j - 1]，即dp[i][j] = dp[i - 1][j - 1];

此时可能有同学有点不明白，为啥要即dp[i][j] = dp[i - 1][j - 1]呢？

那么就在回顾上面讲过的dp[i][j]的定义，word1[i - 1] 与 word2[j - 1]相等了，那么就不用编辑了，以下标 i-2 为结尾的字符串word1和以下标 j-2 为结尾的字符串word2的最小编辑距离dp[i - 1][j - 1]就是 dp[i][j]了。

在下面的讲解中，如果哪里看不懂，就回想一下dp[i][j]的定义，就明白了。

在整个动规的过程中，最为关键就是正确理解dp[i][j]的定义！

if (word1[i - 1] != word2[j - 1])，此时就需要编辑了，如何编辑呢？

  • 操作一：word1删除一个元素，那么就是以下标 i - 2 为结尾的 word1 与 j-1为结尾的word2的最小编辑距离 再加上一个操作。

即 dp[i][j] = dp[i - 1][j] + 1;

  • 操作二：word2删除一个元素，那么就是以下标 i - 1 为结尾的word1 与 j-2 为结尾的word2的最小编辑距离 再加上一个操作。

即 dp[i][j] = dp[i][j - 1] + 1;

这里有同学发现了，怎么都是删除元素，添加元素去哪了。

word2添加一个元素，相当于word1删除一个元素，例如 word1 = "ad" ，word2 = "a"，word1删除元素'd' 和 word2添加一个元素'd'，变成word1="a", word2="ad"， 最终的操作数是一样！ dp数组如下图所示意的：

            a                         a     d
   +-----+-----+             +-----+-----+-----+
   |  0  |  1  |             |  0  |  1  |  2  |
   +-----+-----+   ===>      +-----+-----+-----+
 a |  1  |  0  |           a |  1  |  0  |  1  |
   +-----+-----+             +-----+-----+-----+
 d |  2  |  1  |
   +-----+-----+
  • 操作三：替换元素，word1替换word1[i - 1]，使其与word2[j - 1]相同，此时不用增删加元素。

可以回顾一下，if(word1[i - 1] == word2[j - 1])的时候我们的操作是 dp[i][j] = dp[i - 1][j - 1] 对吧。

那么只需要一次替换的操作，就可以让 word1[i - 1] 和 word2[j - 1] 相同。

所以 dp[i][j] = dp[i - 1][j - 1] + 1;

综上，当 if(word1[i - 1] != word2[j - 1]) 时取最小的，即：dp[i][j] = min({dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1]}) + 1;

递归公式代码如下：

if (word1[i - 1] == word2[j - 1]) {
    dp[i][j] = dp[i - 1][j - 1];
}
else {
    dp[i][j] = Math.min(dp[i - 1][j - 1], Math.min(dp[i - 1][j], dp[i][j - 1])) + 1;
}

  • dp数组如何初始化

再回顾一下dp[i][j]的定义：

dp[i][j] 表示以下标 i-1 为结尾的字符串word1，和以下标 j-1 为结尾的字符串word2，最近编辑距离为dp[i][j]。

那么dp[i][0] 和 dp[0][j] 表示什么呢？

dp[i][0] ：以下标 i-1 为结尾的字符串 word1，和空字符串 word2，最近编辑距离为 dp[i][0]。

那么 dp[i][0] 就应该是 i，对 word1 里的元素全部做删除操作，即：dp[i][0] = i;

同理dp[0][j] = j;

所以代码如下：

for (int i = 0; i <= word1.length(); i++) dp[i][0] = i;
for (int j = 0; j <= word2.length(); j++) dp[0][j] = j;

  • 确定遍历顺序

从如下四个递推公式：

  • dp[i][j] = dp[i - 1][j - 1]
  • dp[i][j] = dp[i - 1][j - 1] + 1
  • dp[i][j] = dp[i][j - 1] + 1
  • dp[i][j] = dp[i - 1][j] + 1

可以看出dp[i][j]是依赖左方，上方和左上方元素的，如图：

72.编辑距离

所以在dp矩阵中一定是从左到右从上到下去遍历。

代码如下：

for (int i = 1; i <= word1.length(); i++) {
    for (int j = 1; j <= word2.length(); j++) {
        if (word1[i - 1] == word2[j - 1]) {
            dp[i][j] = dp[i - 1][j - 1];
        }
        else {
            dp[i][j] = Math.min(dp[i - 1][j - 1], Math.min(dp[i - 1][j], dp[i][j - 1])) + 1;
        }
    }
}

  • 举例推导dp数组

以示例1为例，输入：word1 = "horse", word2 = "ros"为例，dp矩阵状态图如下：

72.编辑距离1

以上动规五部分析完毕，Java代码如下：

public int minDistance(String word1, String word2) {
    int m = word1.length();
    int n = word2.length();
    int[][] dp = new int[m + 1][n + 1];
    // 初始化
    for (int i = 1; i <= m; i++) {
        dp[i][0] =  i;
    }
    for (int j = 1; j <= n; j++) {
        dp[0][j] = j;
    }
    for (int i = 1; i <= m; i++) {
        for (int j = 1; j <= n; j++) {
            // 因为dp数组有效位从1开始
            // 所以当前遍历到的字符串的位置为i-1 | j-1
            if (word1.charAt(i - 1) == word2.charAt(j - 1)) {
                dp[i][j] = dp[i - 1][j - 1];
            } else {
                dp[i][j] = Math.min(Math.min(dp[i - 1][j - 1], dp[i][j - 1]), dp[i - 1][j]) + 1;
            }
        }
    }
    return dp[m][n];
}
  • 时间复杂度: O(n * m)
  • 空间复杂度: O(n * m)
不是很强 但是很秃
关注
专栏目录
代码随想录算法训练营day45：动态规划part12：115.不同的子序列；583. 两个字符串的删除操作；72. 编辑距离
weixin_65180740的博客
08-16 1231
那最后当然是取最小值，所以当word1[i - 1] 与 word2[j - 1]不相同的时候，递推公式：dp[i][j] = min({dp[i - 1][j - 1] + 2, dp[i - 1][j] + 1, dp[i][j - 1] + 1});因为 dp[i][j - 1] + 1 = dp[i - 1][j - 1] + 2，所以递推公式可简化为：dp[i][j] = min(dp[i - 1][j] + 1, dp[i][j - 1] + 1);
代码随想录算法训练营DAY52|C++动态规划Part13|392.判断子序列、115.不同的子序列
糖炒栗子
05-04 999
KMP算法求的是连续序列，本题中仅仅是来求子序列（字符串的一个 子序列 是指，通过删除一些（也可以不删除）字符且不干扰剩余字符相对位置所组成的新字符串。一定都是1，因为也就是把以i-1为结尾的s，删除所有元素，出现空字符串的个数就是1。，也就是说，我们的当前格子需要左上方格子和左边格子才能推导出来。那必然是1，因为空字符串s可以删除0个元素，变成空字符串t。这一类问题，基本是要分析两种情况，这里是跟上一题一样的。根据递推公式来的，从上到下，从左到右。，如果遇到不相同的元素，字符串。
代码随想录Day 45|leetcode题目：115.不同的子序列、583. 两个字符串的删除操作、72. 编辑距离
LuckyYH__的博客
09-16 795
判断子序列：判断一个字符串是否为另一个字符串的子序列，只涉及删除操作。不同的子序列：计算一个字符串在另一个字符串子序列中出现的次数，涉及删除操作。两个字符串的删除操作：计算使两个字符串相同的最少删除次数，涉及两个字符串的删除操作。
代码随想录｜Day56｜动态规划 part16｜● 583. 两个字符串的删除操作 ● 72. 编辑距离
2402_83072061的博客
05-26 459
dp[i][j] = min(dp[i - 1][j], dp[i][j - 1], dp[i - 1][j - 1]) + 1 #与上题最大区别（因为可以用替换）583. 两个字符串的删除操作。
代码随想录算法训练营Day 55|动态规划part16| 583. 两个字符串的删除操作、72. 编辑距离
m0_51759998的博客
05-29 364
【代码】代码随想录算法训练营Day 55|动态规划part16| 583. 两个字符串的删除操作、72. 编辑距离。
代码随想录算法day37 | 动态规划算法part10 | 300.最长递增子序列，674. 最长连续递增序列，718. 最长重复子数组
m0_62415132的博客
09-19 1127
本题中，正确定义dp数组的含义十分重要。dp[i]表示 i 之前包括 i 的以 nums[i] 结尾的最长递增子序列的长度为什么一定表示 “以nums[i]结尾的最长递增子序” ，因为我们在做递增比较的时候，如果比较 nums[j] 和 nums[i] 的大小，那么两个递增子序列一定分别以 nums[j] 为结尾和 nums[i] 为结尾， 要不然这个比较就没有意义了，不是尾部元素的比较那么 如何算递增呢。
代码随想录训练营 Day45打卡 动态规划 part12 115. 不同的子序列 583. 两个字符串的删除操作 72. 编辑距离
qq_42952637的博客
08-31 1437
代码随想录训练营 Day45打卡 动态规划 part12 115. 不同的子序列 583. 两个字符串的删除操作 72. 编辑距离
代码随想录算法day38 | 动态规划算法part11 | 1143.最长公共子序列，1035.不相交的线，53. 最大子序和，392.判断子序列
m0_62415132的博客
09-23 789
看到代码大家也可以发现其实就是求两个字符串的最长公共子序列，但如果没有做过1143.最长公共子序列，本题其实还有很有难度的。大家会发现一个正确的刷题顺序对算法学习是非常重要的！这道题目用贪心也很巧妙，但有一点绕，需要仔细想一想。动规的解法还是很直接的。这道题目算是编辑距离的入门题目（毕竟这里只是涉及到减法），也是动态规划解决的经典题型。这一类题都是题目读上去感觉很复杂，模拟一下也发现很复杂，用动规分析完了也感觉很复杂，但是最终代码却很简短。
Studying-代码随想录训练营day45| 115.不同的子序列、583. 两个字符串的删除操作、72. 编辑距离、编辑距离总结篇
yachihaoteng的博客
07-30 1158
115.不同的子序列、583. 两个字符串的删除操作、72. 编辑距离、编辑距离总结篇
代码随想录算法PDF.zip
05-29
在《代码随想录》中，作者详细介绍了常见算法问题的解决思路和方法，涵盖了数据结构、排序算法、搜索算法等多个方面。以下是书中的部分关键知识点： 1. **基础数据结构**：包括数组、链表、栈、队列、哈希表、树...
代码随想录算法PDF.rar
08-06
4. **动态规划**：动态规划是一种解决最优化问题的强大工具，如背包问题、最长公共子序列、斐波那契数列等。它强调的是状态转移方程和最优子结构。 5. **回溯法与贪心策略**：回溯法用于解决组合优化问题，如八皇后...
代码随想录算法训练营|动态规划1：斐波那契、爬楼梯、有代价爬楼梯、不同路径、有障碍物不同路径、整数拆分
Midlight_moon的博客
03-14 359
动态规划入门、vector用法、位运算
904. 水果成篮
最新发布
YQ20210216的博客
09-27 345
转化，找出一个最长的子数组长度，子数组中不超过两种类型的水果，要记录水果类型和水果数量，所以要使用unord_map，key来记录水果中类，valuse记录水果数量，当right开始增加的时候，将水果种类加入到哈希表中，当水果中类超过两种时，控制left使得水果种类回到两种。你想要尽可能多地收集水果。你正在探访一家农场，农场从左到右种植了一排果树。这些树用一个整数数组。，返回你可以收集的水果的。
【优选算法】（第一篇）
weixin_73861555的博客
09-25 1076
这个⽅法是往后我们学习「快排算法」的时候，「数据划分」过程的重要⼀步。如果将快排算法拆解的话，这⼀段⼩代码就是实现快排算法的「核⼼步骤」。
基于深度学习的图像修复算法
weixin_42605076的博客
09-26 589
基于深度学习的图像修复算法旨在通过学习和生成模型来填补图像中的缺失或损坏部分。
完全二叉树和堆排序
2301_80412275的博客
09-25 520
在满足第一个条件的前提下，最后一层的节点从左到右填充，没有空隙。
算法训练营打卡Day14
Zoe_igxgx的博客
09-25 248
题目1.226.翻转二叉树题目2.101. 对称二叉树。
时间序列分析算法
qq_58353992的博客
09-24 933
通信领域：网络流量预测、服务器负载预测等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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