小白备战大厂算法笔试(六)——堆

已于 2023-09-12 14:39:34 修改
阅读量631 收藏 1
点赞数 1
分类专栏： 算法 文章标签： 算法 数据结构
于 2023-09-11 14:53:27 首次发布
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_63230155/article/details/132807591
版权

文章目录

堆

堆是一种满足特定条件的完全二叉树，主要可分为下图所示的两种类型。

  • 大顶堆：任意节点的值 ≥ 其子节点的值。
  • 小顶堆：任意节点的值 ≤ 其子节点的值。

image-20230910124016405

堆作为完全二叉树的一个特例，具有以下特性。

  • 最底层节点靠左填充，其他层的节点都被填满。
  • 我们将二叉树的根节点称为“堆顶”，将底层最靠右的节点称为“堆底”。
  • 对于大顶堆（小顶堆），堆顶元素（即根节点）的值分别是最大（最小）的。

常用操作

许多编程语言提供的是优先队列，这是一种抽象数据结构，定义为具有优先级排序的队列。实际上，堆通常用作实现优先队列，大顶堆相当于元素按从大到小顺序出队的优先队列。从使用角度来看，我们可以将“优先队列”和“堆”看作等价的数据结构。

堆的常用操作见下表 ，方法名需要根据编程语言来确定。

方法名描述时间复杂度
push()元素入堆O(log⁡n)
pop()堆顶元素出堆O(log⁡n)
peek()访问堆顶元素（大 / 小顶堆分别为最大 / 小值）O(1)
size()获取堆的元素数量O(1)
isEmpty()判断堆是否为空O(1)

Python：

# 初始化小顶堆
min_heap, flag = [], 1
# 初始化大顶堆
max_heap, flag = [], -1

# Python 的 heapq 模块默认实现小顶堆
# 考虑将“元素取负”后再入堆，这样就可以将大小关系颠倒，从而实现大顶堆
# 在本示例中，flag = 1 时对应小顶堆，flag = -1 时对应大顶堆

# 元素入堆
heapq.heappush(max_heap, flag * 1)
heapq.heappush(max_heap, flag * 3)
heapq.heappush(max_heap, flag * 2)
heapq.heappush(max_heap, flag * 5)
heapq.heappush(max_heap, flag * 4)

# 获取堆顶元素
peek: int = flag * max_heap[0] # 5

# 堆顶元素出堆
# 出堆元素会形成一个从大到小的序列
val = flag * heapq.heappop(max_heap) # 5
val = flag * heapq.heappop(max_heap) # 4
val = flag * heapq.heappop(max_heap) # 3
val = flag * heapq.heappop(max_heap) # 2
val = flag * heapq.heappop(max_heap) # 1

# 获取堆大小
size: int = len(max_heap)

# 判断堆是否为空
is_empty: bool = not max_heap

# 输入列表并建堆
min_heap: list[int] = [1, 3, 2, 5, 4]
heapq.heapify(min_heap)

Go：

// Go 语言中可以通过实现 heap.Interface 来构建整数大顶堆
// 实现 heap.Interface 需要同时实现 sort.Interface
type intHeap []any

// Push heap.Interface 的方法，实现推入元素到堆
func (h *intHeap) Push(x any) {
    // Push 和 Pop 使用 pointer receiver 作为参数
    // 因为它们不仅会对切片的内容进行调整，还会修改切片的长度。
    *h = append(*h, x.(int))
}

// Pop heap.Interface 的方法，实现弹出堆顶元素
func (h *intHeap) Pop() any {
    // 待出堆元素存放在最后
    last := (*h)[len(*h)-1]
    *h = (*h)[:len(*h)-1]
    return last
}

// Len sort.Interface 的方法
func (h *intHeap) Len() int {
    return len(*h)
}

// Less sort.Interface 的方法
func (h *intHeap) Less(i, j int) bool {
    // 如果实现小顶堆，则需要调整为小于号
    return (*h)[i].(int) > (*h)[j].(int)
}

// Swap sort.Interface 的方法
func (h *intHeap) Swap(i, j int) {
    (*h)[i], (*h)[j] = (*h)[j], (*h)[i]
}

// Top 获取堆顶元素
func (h *intHeap) Top() any {
    return (*h)[0]
}

/* Driver Code */
func TestHeap(t *testing.T) {
    /* 初始化堆 */
    // 初始化大顶堆
    maxHeap := &intHeap{}
    heap.Init(maxHeap)
    /* 元素入堆 */
    // 调用 heap.Interface 的方法，来添加元素
    heap.Push(maxHeap, 1)
    heap.Push(maxHeap, 3)
    heap.Push(maxHeap, 2)
    heap.Push(maxHeap, 4)
    heap.Push(maxHeap, 5)

    /* 获取堆顶元素 */
    top := maxHeap.Top()
    fmt.Printf("堆顶元素为 %d\n", top)

    /* 堆顶元素出堆 */
    // 调用 heap.Interface 的方法，来移除元素
    heap.Pop(maxHeap) // 5
    heap.Pop(maxHeap) // 4
    heap.Pop(maxHeap) // 3
    heap.Pop(maxHeap) // 2
    heap.Pop(maxHeap) // 1

    /* 获取堆大小 */
    size := len(*maxHeap)
    fmt.Printf("堆元素数量为 %d\n", size)

    /* 判断堆是否为空 */
    isEmpty := len(*maxHeap) == 0
    fmt.Printf("堆是否为空 %t\n", isEmpty)
}

堆的实现

下文实现的是大顶堆。若要将其转换为小顶堆，只需将所有大小逻辑判断取逆（例如，将 ≥ 替换为 ≤ ）。

存储与表示

完全二叉树非常适合用数组来表示。由于堆正是一种完全二叉树，将采用数组来存储堆。当使用数组表示二叉树时，元素代表节点值，索引代表节点在二叉树中的位置。节点指针通过索引映射公式来实现。

如下图所示，给定索引i ，其左子节点索引为 2i+1 ，右子节点索引为 2i+2 ，父节点索引为 (i−1)/2（向下取整）。当索引越界时，表示空节点或节点不存在。

image-20230911104703814

将索引映射公式封装成函数，方便后续使用。

Python：

def left(self, i: int) -> int:
    """获取左子节点索引"""
    return 2 * i + 1

def right(self, i: int) -> int:
    """获取右子节点索引"""
    return 2 * i + 2

def parent(self, i: int) -> int:
    """获取父节点索引"""
    return (i - 1) // 2  # 向下整除

Go：

/* 获取左子节点索引 */
func (h *maxHeap) left(i int) int {
    return 2*i + 1
}

/* 获取右子节点索引 */
func (h *maxHeap) right(i int) int {
    return 2*i + 2
}

/* 获取父节点索引 */
func (h *maxHeap) parent(i int) int {
    // 向下整除
    return (i - 1) / 2
}

访问堆顶元素

堆顶元素即为二叉树的根节点，也就是列表的首个元素。

Python：

def peek(self) -> int:
    """访问堆顶元素"""
    return self.max_heap[0]

Go：

/* 访问堆顶元素 */
func (h *maxHeap) peek() any {
    return h.data[0]
}

元素入堆

给定元素 val ，首先将其添加到堆底。添加之后，由于 val 可*其他元素，堆的成立条件可能已被破坏。因此，需要修复从插入节点到根节点的路径上的各个节点，这个操作被称为堆化。考虑从入堆节点开始，从底至顶执行堆化。如下图所示，我们比较插入节点与其父节点的值，如果插入节点更大，则将它们交换。然后继续执行此操作，从底至顶修复堆中的各个节点，直至越过根节点或遇到无须交换的节点时结束。

image-20230911105351937

image-20230911105402260

image-20230911105422302

image-20230911105509067

image-20230911105535104

image-20230911105626763

image-20230911105715203

image-20230911105731022

image-20230911105747376

设节点总数为n ，则树的高度为 n(log⁡n) 。由此可知，堆化操作的循环轮数最多为 O(log⁡n) ，元素入堆操作的时间复杂度为 O(log⁡n) 。

Python：

def push(self, val: int):
    """元素入堆"""
    # 添加节点
    self.max_heap.append(val)
    # 从底至顶堆化
    self.sift_up(self.size() - 1)

def sift_up(self, i: int):
    """从节点 i 开始，从底至顶堆化"""
    while True:
        # 获取节点 i 的父节点
        p = self.parent(i)
        # 当“越过根节点”或“节点无须修复”时，结束堆化
        if p < 0 or self.max_heap[i] <= self.max_heap[p]:
            break
        # 交换两节点
        self.swap(i, p)
        # 循环向上堆化
        i = p

Go：

/* 元素入堆 */
func (h *maxHeap) push(val any) {
    // 添加节点
    h.data = append(h.data, val)
    // 从底至顶堆化
    h.siftUp(len(h.data) - 1)
}

/* 从节点 i 开始，从底至顶堆化 */
func (h *maxHeap) siftUp(i int) {
    for true {
        // 获取节点 i 的父节点
        p := h.parent(i)
        // 当“越过根节点”或“节点无须修复”时，结束堆化
        if p < 0 || h.data[i].(int) <= h.data[p].(int) {
            break
        }
        // 交换两节点
        h.swap(i, p)
        // 循环向上堆化
        i = p
    }
}

元素出堆

堆顶元素是二叉树的根节点，即列表首元素。如果我们直接从列表中删除首元素，那么二叉树中所有节点的索引都会发生变化，这将使得后续使用堆化修复变得困难。为了尽量减少元素索引的变动，采用以下操作步骤：

  1. 交换堆顶元素与堆底元素（即交换根节点与最右叶节点）。
  2. 交换完成后，将堆底从列表中删除（注意，由于已经交换，实际上删除的是原来的堆顶元素）。
  3. 从根节点开始，从顶至底执行堆化。

如下图所示，“从顶至底堆化”的操作方向与“从底至顶堆化”相反，我们将根节点的值与其两个子节点的值进行比较，将最大的子节点与根节点交换。然后循环执行此操作，直到越过叶节点或遇到无须交换的节点时结束。

image-20230911110623341

image-20230911110651712

image-20230911110711565

image-20230911111729180

image-20230911111747832

image-20230911112218973

image-20230911112239192

image-20230911112259380

image-20230911112322203

image-20230911112338026

与元素入堆操作相似，堆顶元素出堆操作的时间复杂度也为O(log⁡n) 。

Python：

def pop(self) -> int:
    """元素出堆"""
    # 判空处理
    if self.is_empty():
        raise IndexError("堆为空")
    # 交换根节点与最右叶节点（即交换首元素与尾元素）
    self.swap(0, self.size() - 1)
    # 删除节点
    val = self.max_heap.pop()
    # 从顶至底堆化
    self.sift_down(0)
    # 返回堆顶元素
    return val

def sift_down(self, i: int):
    """从节点 i 开始，从顶至底堆化"""
    while True:
        # 判断节点 i, l, r 中值最大的节点，记为 ma
        l, r, ma = self.left(i), self.right(i), i
        if l < self.size() and self.max_heap[l] > self.max_heap[ma]:
            ma = l
        if r < self.size() and self.max_heap[r] > self.max_heap[ma]:
            ma = r
        # 若节点 i 最大或索引 l, r 越界，则无须继续堆化，跳出
        if ma == i:
            break
        # 交换两节点
        self.swap(i, ma)
        # 循环向下堆化
        i = ma

Go：

/* 元素出堆 */
func (h *maxHeap) pop() any {
    // 判空处理
    if h.isEmpty() {
        fmt.Println("error")
        return nil
    }
    // 交换根节点与最右叶节点（即交换首元素与尾元素）
    h.swap(0, h.size()-1)
    // 删除节点
    val := h.data[len(h.data)-1]
    h.data = h.data[:len(h.data)-1]
    // 从顶至底堆化
    h.siftDown(0)

    // 返回堆顶元素
    return val
}

/* 从节点 i 开始，从顶至底堆化 */
func (h *maxHeap) siftDown(i int) {
    for true {
        // 判断节点 i, l, r 中值最大的节点，记为 max
        l, r, max := h.left(i), h.right(i), i
        if l < h.size() && h.data[l].(int) > h.data[max].(int) {
            max = l
        }
        if r < h.size() && h.data[r].(int) > h.data[max].(int) {
            max = r
        }
        // 若节点 i 最大或索引 l, r 越界，则无须继续堆化，跳出
        if max == i {
            break
        }
        // 交换两节点
        h.swap(i, max)
        // 循环向下堆化
        i = max
    }
}

常见应用

  • 优先队列：堆通常作为实现优先队列的首选数据结构，其入队和出队操作的时间复杂度均为 O(log⁡n) ，而建队操作为 O(n) ，这些操作都非常高效。
  • 堆排序：给定一组数据，我们可以用它们建立一个堆，然后不断地执行元素出堆操作，从而得到有序数据。在后续写排序的文章会讲到。
  • 获取最大的k个元素：这是一个经典的算法问题，同时也是一种典型应用，例如选择热度前 10 的新闻作为微博热搜，选取销量前 10 的商品等。

建堆操作

在某些情况下，我们希望使用一个列表的所有元素来构建一个堆，这个过程被称为“建堆操作”。

自上而下构建

我们首先创建一个空堆，然后遍历列表，依次对每个元素执行“入堆操作”，即先将元素添加至堆的尾部，再对该元素执行“从底至顶”堆化。

每当一个元素入堆，堆的长度就加一，因此堆是“自上而下”地构建的。

设元素数量为n，每个元素的入堆操作使用O(log⁡n) 时间，因此该建堆方法的时间复杂度为 O(nlog⁡n) 。

自下而上构建

实际上，可以实现一种更为高效的建堆方法，共分为两步。

  1. 将列表所有元素原封不动添加到堆中。
  2. 倒序遍历堆（即层序遍历的倒序），依次对每个非叶节点执行“从顶至底堆化”。

在倒序遍历中，堆是“自下而上”地构建的，需要重点理解以下两点。

  • 由于叶节点没有子节点，因此无需对它们执行堆化。最后一个节点的父节点是最后一个非叶节点。
  • 在倒序遍历中，我们能够保证当前节点之下的子树已经完成堆化（已经是合法的堆），而这是堆化当前节点的前置条件。

Python：

def __init__(self, nums: list[int]):
    """构造方法，根据输入列表建堆"""
    # 将列表元素原封不动添加进堆
    self.max_heap = nums
    # 堆化除叶节点以外的其他所有节点
    for i in range(self.parent(self.size() - 1), -1, -1):
        self.sift_down(i)

Go：

/* 构造函数，根据切片建堆 */
func newMaxHeap(nums []any) *maxHeap {
    // 将列表元素原封不动添加进堆
    h := &maxHeap{data: nums}
    for i := h.parent(len(h.data) - 1); i >= 0; i-- {
        // 堆化除叶节点以外的其他所有节点
        h.siftDown(i)
    }
    return h
}

经过某种复杂的推算表明，输入列表并建堆的时间复杂度为O(n) ，非常高效。也就是说自下而上的构建效率高于自上而下的构建效率。

TOP-K问题

Question：

给定一个长度为n无序数组 nums ，请返回数组中前k大的元素。

对于该问题，介绍两种思路比较直接的解法，再介绍效率更高的堆解法。

遍历选择

可以进行下图所示的k轮遍历，分别在每轮中提取第 1、2、…、k 大的元素，时间复杂度为O(nk)。此方法只适用于k≪n的情况，因为当k与n比较接近时，其时间复杂度趋向于 O(n^2) ，非常耗时。

image-20230911135337020

Python：

def findKthLargest(nums, k):
    result = []
    for i in range(k):
        max_num = max(nums)
        result.append(max_num)
        nums.remove(max_num)
    return result

Go：

func findKthLargest(nums []int, k int) []int {
	result := make([]int, k)
	for i := 0; i < k; i++ {
		max := nums[0]
		index := 0
		for i, num := range nums {
			if num > max {
				max = num
				index = i
			}
		}
		result[i] = max
		nums = append(nums[:index], nums[index+1:]...)
	}
	return result
}

当 k=n 时，可以得到完整的有序序列，此时等价于“选择排序”算法。

排序

我们可以先对数组 nums 进行排序，再返回最右边的k个元素，时间复杂度为 O(nlog⁡n) 。显然，该方法“超额”完成任务了，因为我们只需要找出最大的k个元素即可，而不需要排序其他元素。

Python：

def findKthLargest(nums, k):
    nums.sort(reverse=True)
    return nums[:k]

Go：

func findKthLargest(nums []int, k int) []int {
	sort.Sort(sort.Reverse(sort.IntSlice(nums)))
	return nums[:k]
}

//或者
func findKthLargest(nums []int, k int) []int {
	sort.Slice(nums, func(i, j int) bool {
		return nums[i] > nums[j]
	})
	return nums[:k]
}

堆

我们可以基于堆更加高效地解决 Top-K 问题：

  1. 初始化一个小顶堆，其堆顶元素最小。
  2. 先将数组的前k个元素依次入堆。
  3. 从第k+1 个元素开始，若当前元素大于堆顶元素，则将堆顶元素出堆，并将当前元素入堆。
  4. 遍历完成后，堆中保存的就是最大的k个元素。

image-20230911143121026

image-20230911143456635

image-20230911143515798

image-20230911143532713

image-20230911143549750

image-20230911143604648

image-20230911143644257

image-20230911143658633

image-20230911143712149

总共执行了n轮入堆和出堆，堆的最大长度为k，因此时间复杂度为 O(nlog⁡k) 。该方法的效率很高，当 k 较小时，时间复杂度趋向 O(n) ；当 k 较大时，时间复杂度不会超过 O(nlog⁡n) 。另外，该方法适用于动态数据流的使用场景。在不断加入数据时，可以持续维护堆内的元素，从而实现最大k个元素的动态更新。

Python：

def top_k_heap(nums: list[int], k: int) -> list[int]:
    """基于堆查找数组中最大的 k 个元素"""
    heap = []
    # 将数组的前 k 个元素入堆
    for i in range(k):
        heapq.heappush(heap, nums[i])
    # 从第 k+1 个元素开始，保持堆的长度为 k
    for i in range(k, len(nums)):
        # 若当前元素大于堆顶元素，则将堆顶元素出堆、当前元素入堆
        if nums[i] > heap[0]:
            heapq.heappop(heap)
            heapq.heappush(heap, nums[i])
    return heap

Go：

/* 基于堆查找数组中最大的 k 个元素 */
func topKHeap(nums []int, k int) *minHeap {
    h := &minHeap{}
    heap.Init(h)
    // 将数组的前 k 个元素入堆
    for i := 0; i < k; i++ {
        heap.Push(h, nums[i])
    }
    // 从第 k+1 个元素开始，保持堆的长度为 k
    for i := k; i < len(nums); i++ {
        // 若当前元素大于堆顶元素，则将堆顶元素出堆、当前元素入堆
        if nums[i] > h.Top().(int) {
            heap.Pop(h)
            heap.Push(h, nums[i])
        }
    }
    return h
}

References：https://www.hello-algo.com/chapter_heap/

王翊珩
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
英语六级备战打卡——day2
12-14
1.背了《星火六级高频词》15个单词： 2.将做真题时整理出来的单词收集到生词本里，等后面都记住了就可以将它们移除了。 前天那篇阅读收进生词本的有74个，然后背了38个，还剩下36个： 作者：ISNS
蓝桥杯最全备战刷题，算法
01-13
蓝桥杯最全备战刷题，算法
小白备战大厂算法笔试(五)——树
m0_63230155的博客
09-09 227
二叉树的中序遍历遵循“左 → 根 → 右”的遍历顺序，而二叉搜索树满足“左子节点 < 根节点 < 右子节点”的大小关系。每个节点都有两个引用（指针），分别指向左子节点和右子节点 ，该节点被称为这两个子节点的父节点。当给定一个二叉树的节点时，我们将该节点的左子节点及其以下节点形成的树称为该节点的左子树，同理可得右子树。如下图所示，如果将“节点 2”视为父节点，则其左子节点和右子节点分别是“节点 4”和“节点 5”，左子树是“节点 4 及其以下节点形成的树”，右子树是“节点 5 及其以下节点形成的树”。
小白备战大厂算法笔试(四)——哈希表
m0_63230155的博客
09-08 1111
哈希表，又称散列表，其通过建立键key与值value之间的映射，实现高效的元素查询。具体而言，我们向哈希表输入一个键key，则可以在 O(1) 时间内获取对应的值value。除哈希表外，数组和链表也可以实现查询功能，它们的效率对比如下所示。，非常高效。
小白备战大厂算法笔试(二)——数组、链表、列表
m0_63230155的博客
09-06 453
常见的数据结构包括数组、链表、栈、队列、哈希表、树、堆、图，它们可以从“逻辑结构”和“物理结构”两个维度进行分类。可被分为“线性”和“非线性”两大类。线性结构比较直观，指数据在逻辑关系上呈线性排列；非线性结构则相反，呈非线性排列。非线性数据结构可以进一步被划分为树形结构和网状结构。，可分为连续空间存储（数组）和离散空间存储（链表）。物理结构从底层决定了数据的访问、更新、增删等操作方法，同时在时间效率和空间效率方面呈现出互补的特点。。例如，栈和队列既可以使用数组实现，也可以使用链表实现；
小白备战大厂算法笔试(三)——栈、队列、双向队列
m0_63230155的博客
09-07 407
在基于数组的实现中，入栈和出栈操作都是在预先分配好的连续内存中进行，具有很好的缓存本地性，因此效率较高。如下图所示，我们将双向链表的头节点和尾节点视为双向队列的队首和队尾，同时实现在两端添加和删除节点的功能。使用数组实现栈时，我们可以将数组的尾部作为栈顶。如下图所示，我们将队列的头部称为“队首”，尾部称为“队尾”，将把元素加入队尾的操作称为“入队”，删除队首元素的操作称为“出队”。如下图所示，我们可以将链表的“头节点”和“尾节点”分别视为“队首”和“队尾”，规定队尾仅可添加节点，队首仅可删除节点。
小白备战大厂算法笔试(一)——迭代、递归、时间复杂度、空间复杂度
m0_63230155的博客
08-30 554
则该函数可以被编译器或解释器优化，使其在空间效率上与迭代相当。这种情况被称为尾递归。
小白备战大厂算法笔试(八)——搜索
m0_63230155的博客
09-14 259
二分查找是一种基于分治策略的高效搜索算法。它利用数据的有序性，每轮减少一半搜索范围，直至找到目标元素或搜索区间为空为止。Question：给定一个长度为n的数组nums，元素按从小到大的顺序排列，数组不包含重复元素。请查找并返回元素target在该数组中的索引。若数组不包含该元素，则返回 −1。
小白备战大厂算法笔试(七)——图
m0_63230155的博客
09-14 241
图是一种非线性数据结构，由顶点和边组成。我们可以将图 (G) 抽象地表示为一组顶点 (V) 和一组边 (E) 的集合。以下示例展示了一个包含 5 个顶点和 7 条边的图。如果将顶点看作节点，将边看作连接各个节点的引用（指针），我们就可以将图看作是一种从链表拓展而来的数据结构。，从而更为复杂。
小白备战大厂算法笔试(九)——九大排序算法
m0_63230155的博客
09-17 153
举一个极端例子，假设输入数组是完全倒序的，由于我们选择最左端元素作为基准数，那么在哨兵划分完成后，基准数被交换至数组最右端，导致左子数组长度为 n−1、右子数组长度为 0。以完全倒序的输入数组为例，由于每轮哨兵划分后右子数组长度为 0 ，递归树的高度会达到 n−1 ，此时需要占用 O(n) 大小的栈帧空间。通常情况下，原地排序的数据搬运操作较少，运行速度也更快。快速排序的核心操作是“哨兵划分”，其目标是：选择数组中的某个元素作为“基准数”，将所有小于基准数的元素移到其左侧，而大于基准数的元素移到其右侧。
【笔试】备战秋招,每日一题|20230415携程研发岗笔试
solego’s blog
04-24 622
20230415携程研发岗笔试题解
广东移动2010笔试精华资料——备战广东移动笔试.docx
10-25
广东移动2010笔试精华资料——备战广东移动笔试.docx
优化类赛题——遗传算法.rar
07-31
数学建模算法体系及备战资料，包含教程、代码、文档、原理图等
优化类赛题——模拟退火算法.rar
07-31
数学建模算法体系及备战资料，包含教程、代码、文档、原理图等
克鲁斯卡尔（Kruskal）算法生成最小生成树(MST)原理及算法实现
2301_77118121的博客
05-20 566
克鲁斯卡尔（Kruskal）算法生成最小生成树(MST)原理及算法实现
算法训练营day34
stmfresher的博客
05-22 164
贪心算法的思路是，如果当前的和为负数的，就舍去这个和然后重新进行sum累加，同时用reslut记录局部最优，就是每次累加判断sum > max 如果大于就更新max。把大的饼干分给胃口最大的。暴力解法会超时，代码如下。
【董晓算法】竞赛常用知识之图论2（最小环，最小生成树）
最新发布
2301_80255237的博客
05-22 1009
竞赛常用知识之图论2（最小环，最小生成树）
leetcode 打卡#day29 39. 组合总和、40. 组合总和 II、131. 分割回文串
weixin_41835324的博客
05-21 200
【代码】leetcode 打卡#day29 39. 组合总和、40. 组合总和 II、131. 分割回文串。
怎么刷算法备战蓝桥杯
01-25
以下是刷算法备战蓝桥杯的一些建议和步骤： 1. 熟悉蓝桥杯的考试内容和题型。了解蓝桥杯的考试规则、题目类型和难度分布，可以从蓝桥杯官方网站或者相关的参考资料中获取这些信息。 2. 学习基础知识。蓝桥杯的题目...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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

打赏作者

王翊珩

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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