代码随想录算法训练营一刷总结
不知不觉两个月过去了,陆陆续续还是把代码随想录一刷结束,很早之前就知道代码随想录的存在,但是一直没有能一股气把所有题目过一遍,刚开学的时候正好看到算法训练营的报名,想着趁此机会让自己的算法刷题踏上正轨,作为结尾,把这段时间的题目好好整理一遍思路,作为后面刷题的基石
我的整理方式是模拟实战做题时的感受,主要想法是提取问题本质尽可能化为具象的数学模型
往后会持续更新,主要是记录实战过程中遇到的题目将其归类到后面的思想方法中去。
二分查找
解决问题:
给定一个
n
n
n 个元素有序的(升序)整型数组
n
u
m
s
nums
nums 和一个目标值
t
a
r
g
e
t
target
target ,写一个函数搜索
n
u
m
s
nums
nums 中的
t
a
r
g
e
t
target
target,如果目标值存在返回下标,否则返回 -1
二分查找的意义在于通过二分将遍历的复杂度
O
(
n
)
O(n)
O(n)降低为
O
(
log
2
n
)
O(\log_2n)
O(log2n),故二分的优化意义大于对问题的解决意义
借助题目展现代码细节
704. 二分查找
在实现代码的过程中用到了循环不变量的概念,在这里体现为区间,我们整个过程中查找的区间的定义是什么?如果我们的定义是
[
l
e
f
t
,
r
i
g
h
t
]
[left,right]
[left,right],那么此时的代码实现为:
class Solution {
public:
int search(vector<int>& nums, int target) {
int left = 0, right = nums.size() - 1;
while (left <= right) {
int middle = (left + right) / 2; //关于middle的两种写法在之前的文章有讨论
if (nums[middle] == target) return middle;
else if (nums[middle] > target) {
right = middle - 1;
}
else {
left = middle + 1;
}
}
return -1;
}
};
关于
m
i
d
d
l
e
middle
middle的两种写法
再借助一道其他题目体会
34. 在排序数组中查找元素的第一个和最后一个位置
题目描述:
给你一个按照非递减顺序排列的整数数组
n
u
m
s
nums
nums,和一个目标值
t
a
r
g
e
t
target
target。请你找出给定目标值在数组中的开始位置和结束位置,如果数组中不存在目标值
t
a
r
g
e
t
target
target,返回
[
−
1
,
−
1
]
[-1, -1]
[−1,−1]。你必须设计并实现时间复杂度为
O
(
l
o
g
k
n
)
O(log_kn)
O(logkn)的算法解决此问题。
我们的关注点需要集中于如何将本题转化为原有题目的模型
原问题
⟺
\iff
⟺查找目标值的区间
⟺
\iff
⟺查找第一个小于目标值与第一个大于目标值的位置
如是我们明白二分查找真正常用的是查找特定区间而非特定值
我们尝试去推导这个问题:
记住一句话,二分查找本质是分而治之,我们不仅要关心查找的位置,更要关心这个位置两边元素的特征,以左闭右闭为例,
r
i
g
h
t
right
right代表的是在其右边(包括自己)的元素都大于等于
t
a
r
g
e
t
target
target(此处理论上是大于,但是在区间问题中应有所变化),
l
e
f
t
left
left代表的是在其左边的元素(包括自己)都小于
t
a
r
g
e
t
target
target,而这个特点在整个循环过程中没有发生改变,我们能否利用这一点推导出我们想要的区间位置?
很显然最后的结果一定是
l
e
f
t
left
left的位置即是第一个
t
a
r
g
e
t
target
target的位置
同理当我们改变
l
e
f
t
left
left和
r
i
g
h
t
right
right的含义之后,我们可以得到类似的结果
那么我们得到代码实现结果:
class Solution {
public:
vector<int> searchRange(vector<int>& nums, int target) {
int left = 0, right = nums.size() - 1;
vector<int> result(2, -1);
bool tmp = false;
while (left <= right) {
int middle = (left + right) / 2;
if (nums[middle] == target) {
tmp = true;
break;
}
else if (nums[middle] > target) {
right = middle - 1;
}
else {
left = middle + 1;
}
}
if (!tmp) return result;
left = 0;
right = nums.size() - 1;
while (left <= right) {
int middle = (left + right) / 2;
if (nums[middle] >= target) {
right = middle - 1;
}
else {
left = middle + 1;
}
}
result[0] = left;
left = 0;
right = nums.size() - 1;
while (left <= right) {
int middle = (left + right) / 2;
if (nums[middle] > target) {
right = middle - 1;
}
else {
left = middle + 1;
}
}
result[1] = right;
return result;
}
};
双指针
双指针法(快慢指针法)在数组和链表的操作中非常常见
双指针法本质是改变了遍历方式,使得遍历过程无回溯,故而降低了时间复杂度,我们不妨将数组的一般遍历看作
r
i
g
h
t
right
right指针不动的特殊双指针
1.同向双指针
2.异向双指针
例题:345. 反转字符串中的元音字母
给你一个字符串 s s s ,仅反转字符串中的所有元音字母,并返回结果字符串。元音字母包括 ′ a ′ , ′ e ′ , ′ i ′ , ′ o ′ , ′ u ′ 'a','e','i','o','u' ′a′,′e′,′i′,′o′,′u′,且可能以大小写两种形式出现不止一次。
反转元音字母
⟺
\iff
⟺反转序列中的特殊字符
⟺
\iff
⟺反转序列
在此题中,我们需要改变的无非是增加一些
l
e
f
t
left
left与
r
i
g
h
t
right
right指针的移动条件
简而言之,双指针的问题的关键就在于指针移动的条件
class Solution {
public:
string reverseVowels(string s) {
int left = 0, right = s.size() - 1;
unordered_set<char> hashset = {'a', 'e', 'i', 'o', 'u', 'A', 'E', 'I', 'O', 'U'};
while (left <= right) {
if (hashset.count(s[left]) <= 0) {
left++;
}
else if (hashset.count(s[right]) <= 0) {
right--;
}
else {
char temp = s[left];
s[left] = s[right];
s[right] = temp;
left++;
right--;
}
}
return s;
}
};
动态规划
动态规划通过分割子问题,记忆子问题结果,减少重复运算
动态规划五部曲:
1.确定dp数组及其下标含义
2.确定递推公式
3.初始化dp数组
4.确定遍历顺序
5.举例推导dp数组
我们在实际处理问题中主要就是就是对这五部曲的映照
例题:32. 最长有效括号
给你一个只包含
′
(
′
'('
′(′和
′
)
′
')'
′)′的字符串,找出最长有效(格式正确且连续)括号子串的长度。
有效括号子串最长长度
→
\rightarrow
→什么是有效括号?我们应该怎么运用有效括号这个条件?
很自然想到栈,但是栈适合的是判断有效括号,不宜处理,我们考虑代入动态规划的世界尝试解决。
当问题的规模从
n
n
n变为
n
+
1
n+1
n+1时,我们能否借助
n
n
n解决
n
+
1
n+1
n+1?
联想到一些子序列的题目了,当问题规模变大时,新增的字符如何影响有效子串最大长度?
不可避免要考虑最长有效子串的位置,并由此进行分类讨论。遇到思路的问题,如果将dp数组定义为最长长度,无法体现子串位置,难以写出递推公式,考虑其他方向。
如果我定义
d
p
[
i
]
[
j
]
dp[i][j]
dp[i][j]为
i
i
i到
j
j
j的子串有效性,这样的话如果能找到递推公式,问题就得到了解决。
d
p
[
i
]
[
j
]
dp[i][j]
dp[i][j]应当如何确定?
考虑递推公式其实就是一个等价推导的过程,能否把有效的情况全部列举是关键
1.
s
[
i
]
=
=
′
(
′
&
&
s
[
j
]
=
=
′
)
′
s[i]=='('\&\&s[j]==')'
s[i]==′(′&&s[j]==′)′
2.
d
p
[
i
+
1
]
[
j
−
1
]
=
=
t
r
u
e
dp[i+1][j-1]==true
dp[i+1][j−1]==true或者
s
[
i
+
1
]
=
=
′
)
′
&
&
d
p
[
i
+
2
]
[
j
]
=
=
t
r
u
e
s[i+1]==')'\&\&dp[i+2][j]==true
s[i+1]==′)′&&dp[i+2][j]==true或者
s
[
j
−
1
]
=
=
′
(
′
&
&
d
p
[
i
]
[
j
−
2
]
=
=
t
r
u
e
s[j-1]=='('\&\&dp[i][j-2]==true
s[j−1]==′(′&&dp[i][j−2]==true
我们来试着用动规五部曲分析一遍:
1.
d
p
[
i
]
[
j
]
dp[i][j]
dp[i][j]代表
i
i
i到
j
j
j的子串有效性
2.如上
3.先初始化全为
f
a
l
s
e
false
false,再遍历一遍,将
j
−
i
=
=
1
j-i==1
j−i==1的情况全部初始化,在这里我们自然想到一个问题便是对于单个括号是否有效?题目并没有给出明确定义。
4.遍历顺序,通过递归公式来确定,如上,在确定
d
p
[
i
]
[
j
]
dp[i][j]
dp[i][j]时要用到
d
p
[
i
+
1
]
[
j
−
1
]
dp[i+1][j-1]
dp[i+1][j−1],那么显然应该对
i
i
i倒序遍历,对
j
j
j正序遍历
5.举例推导
d
p
dp
dp数组,直接尝试解题作为验证
第一遍解题失败
class Solution {
public:
int longestValidParentheses(string s) {
if (s.empty()) return 0;
vector<vector<bool>> dp(s.size(), vector<bool>(s.size(), false));
int result = 0;
for (int i = 0; i < s.size() - 1; ++i) {
if (s[i] == '(' && s[i + 1] == ')') dp[i][i + 1] = true;
if (dp[i][i + 1] == true) result = 2;
}
for (int i = s.size() - 1; i >= 0; --i) {
for (int j = i + 3;j < s.size(); ++j) {
if (s[i] == '(' && s[j] == ')') {
if (dp[i + 1][j - 1] == true) {
dp[i][j] = true;
}
else if (s[i + 1] == ')' && dp[i + 2][j] == true) {
dp[i][j] = true;
}
else if (s[j - 1] == '(' && dp[i][j - 2] == true) {
dp[i][j] = true;
}
}
if (dp[i][j] == true && result <= (j - i + 1)) {
result = j - i + 1;
}
}
}
return result;
}
};
反思问题并进行修改
思路是错误的,没有把握动态规划的特质,最大长度这一点自己没有很好的理解。
我们原来在确定
d
p
dp
dp数组时遇到的最大问题是无法确定最长有效子串的位置,那么其实我们要做的就是在
d
p
dp
dp数组的定义中处理这个问题,基于此,重新进行动规五部曲的分析
1.
d
p
[
i
]
dp[i]
dp[i]代表以
i
i
i为结尾的最长有效子串的长度
2.递归公式,
如果
s
[
i
]
=
=
′
(
′
s[i]=='('
s[i]==′(′,显然
d
p
[
i
]
=
0
dp[i]=0
dp[i]=0,反之如果
s
[
i
]
=
=
′
)
′
s[i]==')'
s[i]==′)′
如果
s
[
i
−
1
]
=
=
′
(
′
s[i-1]=='('
s[i−1]==′(′,
d
p
[
i
]
=
d
p
[
i
−
2
]
+
2
dp[i]=dp[i-2]+2
dp[i]=dp[i−2]+2
否则当
s
[
i
−
1
]
=
=
′
)
′
s[i-1]==')'
s[i−1]==′)′,如果
d
p
[
i
−
d
p
[
i
−
1
]
−
1
]
=
=
′
)
′
dp[i-dp[i-1]-1]==')'
dp[i−dp[i−1]−1]==′)′,此时
d
p
[
i
]
=
0
dp[i]=0
dp[i]=0,否则
d
p
[
i
]
=
d
p
[
i
−
1
]
+
2
dp[i]=dp[i-1]+2
dp[i]=dp[i−1]+2
3.初始化,
d
p
[
0
]
=
0
dp[0]=0
dp[0]=0,全部初始化为
0
0
0
4.遍历顺序显然是对
i
i
i顺序遍历
5.举例推导
d
p
dp
dp数组
尝试解题
class Solution {
public:
int longestValidParentheses(string s) {
vector<int> dp(s.size(), 0);
int result = 0;
if (s[0] == '(' && s[1] == ')') {
dp[1] = 2;
result = 2;
}
for (int i = 2; i < s.size(); ++i) {
if (s[i] == ')') {
if (s[i - 1] == '(') {
dp[i] = dp[i - 2] + 2;
}
else if ((i - dp[i - 1] - 1) >= 0 && s[i - dp[i - 1] - 1] == '(') {
dp[i] = dp[i - 1] + 2;
}
}
if (dp[i] >= result) result = dp[i];
}
return result;
}
};
发现解答依旧是错误的,继续反思问题出在哪里,发现自己的递归公式仍然存在问题
在
s
[
i
−
1
]
=
=
′
)
′
&
&
s
[
i
−
d
p
[
i
−
1
]
−
1
]
=
=
′
(
′
s[i-1]==')'\&\&s[i-dp[i-1]-1]=='('
s[i−1]==′)′&&s[i−dp[i−1]−1]==′(′时,
d
p
[
i
]
=
d
p
[
i
−
1
]
+
2
+
d
p
[
i
−
d
p
[
i
−
1
]
−
2
]
dp[i]=dp[i-1]+2+dp[i-dp[i-1]-2]
dp[i]=dp[i−1]+2+dp[i−dp[i−1]−2]
经过修改后发现通过题例
class Solution {
public:
int longestValidParentheses(string s) {
vector<int> dp(s.size(), 0);
int result = 0;
if (s[0] == '(' && s[1] == ')') {
dp[1] = 2;
result = 2;
}
for (int i = 2; i < s.size(); ++i) {
if (s[i] == ')') {
if (s[i - 1] == '(') {
dp[i] = dp[i - 2] + 2;
}
else if ((i - dp[i - 1] - 1) >= 0 && s[i - dp[i - 1] - 1] == '(') {
if ((i - dp[i - 1] - 1) > 0) {
dp[i] = dp[i - 1] + dp[i - dp[i - 1] - 2] + 2;
}
else {
dp[i] = dp[i - 1] + 2;
}
}
}
if (dp[i] >= result) result = dp[i];
}
return result;
}
};
通过此题我们体会到动态规划问题的一些处理关键:
1.
d
p
dp
dp数组的定义?
2.递归公式的推导?
接着再来尝试一道动态规划的题目:
42. 接雨水
给定
n
n
n个非负整数表示每个宽度为
1
1
1的柱子的高度图,计算按此排列的柱子,下雨之后能接多少雨水。
对题目进行分析,接雨水量可以将其分解为三个格子的情况分析
取相邻三个格子
i
,
i
+
1
,
i
+
2
i,i+1,i+2
i,i+1,i+2,只有当
i
+
1
<
m
i
n
(
i
,
i
+
2
)
i+1<min(i,i+2)
i+1<min(i,i+2)时格子才能积蓄雨水
如此分析,我们将
d
p
dp
dp数组定义为
d
p
[
i
]
dp[i]
dp[i]是最后一个格子为
i
i
i的区域能接雨水的最大量
那么进行动规五部曲的分析
1.
d
p
[
i
]
dp[i]
dp[i]代表
0
−
i
0-i
0−i格子的接雨水量
2.递归公式
if (height[i - 1] < min(height[i - 2], height[i])) {
dp[i] = dp[i - 1] + min(height[i - 2], height[i]) - height[i - 1];
}
else {
dp[i] = dp[i - 1];
}
3.初始化,我们将
d
p
[
i
]
dp[i]
dp[i]初始化为
0
0
0
4.遍历顺序,根据递归公式,显然是
i
i
i递增遍历
5.举例推导
d
p
dp
dp数组
那我们尝试解题:
在推导过程发现自己的错误,自己的递推公式并没有把所有的雨水接住,当
d
p
[
i
−
2
]
>
d
p
[
i
−
1
]
>
d
p
[
i
]
<
d
p
[
i
+
1
]
<
d
p
[
i
+
2
]
dp[i - 2]>dp[i-1]>dp[i]<dp[i+1]<dp[i+2]
dp[i−2]>dp[i−1]>dp[i]<dp[i+1]<dp[i+2]时,自己的递推公式显然是错误的
由是我们继续反思此题的真正含义:
可以发现,接住雨水的地方全都是极小值点,即
d
p
[
i
−
1
]
>
d
p
[
i
]
<
d
p
[
i
+
1
]
dp[i-1]>dp[i]<dp[i+1]
dp[i−1]>dp[i]<dp[i+1]
我们能不能这样去理解,题目的目的是将给定的
h
e
i
g
h
t
height
height数组通过填充的方式将其变为对于原数组的最大值,左边单调增,右边单调减。
这是否是这道题的数学本质呢?
这么看的话似乎题目的处理变得非常简单了,似乎并不需要
d
p
dp
dp数组的使用
尝试解题:
class Solution {
public:
int trap(vector<int>& height) {
int result = 0;
int maxPla = 0;
for (int i = 0; i < height.size(); ++i) {
if (height[i] > height[maxPla]) {
maxPla = i;
}
}
for (int i = 1; i <= maxPla; ++i) {
if (height[i] < height[i - 1]) {
result += height[i - 1] - height[i];
height[i] = height[i - 1];
}
}
for (int i = height.size() - 2; i >= maxPla; --i) {
if (height[i] < height[i + 1]) {
result += height[i + 1] - height[i];
height[i] = height[i + 1];
}
}
return result;
}
};
发现自己的想法是正确的,对于题目,将其读懂转化是最重要的,方法是便于我们处理一些特殊问题,没有必要特别去套用某些方法