图理解单链表的反转

如何把一个单链表进行反转?

方法1:将单链表储存为数组,然后按照数组的索引逆序进行反转。

方法2:使用三个指针遍历单链表,逐个链接点进行反转。

方法3:从第2个节点到第N个节点,依次逐节点插入到第1个节点(head节点)之后,最后将第一个节点挪到新表的表尾。

 方法1:

浪费空间。

 

 

方法2:

使用p和q连个指针配合工作,使得两个节点间的指向反向,同时用r记录剩下的链表。

 

p = head;

q = head->next;

\

 

head->next = NULL;

\
 

 

现在进入循环体,这是第一次循环。

r = q->next;

q->next = p;

\

 

p = q;

q =r;
 

\

 

第二次循环。

r = q->next

\

 

q->next = p;    

\
 

 

p = q;

\

 

q = r

\
 

第三次循环。。。。。

 

 

具体代码如下

 

 

  1. ActList* ReverseList2(ActList* head)  
  2. {  
  3.     //ActList* temp=new ActList;  
  4.  if(NULL==head|| NULL==head->next) return head;      
  5.     ActList* p;  
  6.     ActList* q;  
  7.     ActList* r;  
  8.     p = head;    
  9.     q = head->next;  
  10.     head->next = NULL;  
  11.     while(q){  
  12.         r = q->next; //  
  13.         q->next = p;      
  14.         p = q; //  
  15.         q = r; //  
  16.     }  
  17.     head=p;  
  18.     return head;      
  19. }  



 

 

方法3

还是先看图,

\

从图上观察,方法是:对于一条链表,从第2个节点到第N个节点,依次逐节点插入到第1个节点(head节点)之后,(N-1)次这样的操作结束之后将第1个节点挪到新表的表尾即可。

代码如下:

 

 view plainActList* ReverseList3(ActList* head) 

    ActList* p; 
    ActList* q; 
    p=head->next; 
    while(p->next!=NULL){ 
        q=p->next; 
        p->next=q->next; 
        q->next=head->next; 
        head->next=q; 
    } 
 
    p->next=head;//相当于成环 
    head=p->next->next;//新head变为原head的next 
    p->next->next=NULL;//断掉环 
    return head;   

 

附:

完整的链表创建,显示,反转代码:

view plain//创建:用q指向当前链表的最后一个节点;用p指向即将插入的新节点。 
//反向:用p和q反转工,r记录链表中剩下的还未反转的部分。


#include "stdafx.h" 
#include <iostream> 
using namespace std; 
 
struct ActList 
{ 
    char ActName[20]; 
    char Director[20]; 
    int Mtime; 
    ActList *next; 
}; 
 
ActList* head; 
 
ActList*  Create() 
{//start of CREATE() 
    ActList* p=NULL; 
    ActList* q=NULL; 
    head=NULL; 
    int Time; 
    cout<<"Please input the length of the movie."<<endl; 
    cin>>Time; 
    while(Time!=0){ 
    p=new ActList; 
    //类似表达:  TreeNode* node = new TreeNode;//Noice that [new] should be written out. 
    p->Mtime=Time; 
    cout<<"Please input the name of the movie."<<endl; 
    cin>>p->ActName; 
    cout<<"Please input the Director of the movie."<<endl; 
    cin>>p->Director; 
 
    if(head==NULL) 
    { 
    head=p; 
    } 
    else 
    { 
    q->next=p; 
    } 
    q=p; 
    cout<<"Please input the length of the movie."<<endl; 
    cin>>Time; 
    } 
    if(head!=NULL) 
    q->next=NULL; 
    return head; 
 
}//end of CREATE() 
 
 
void DisplayList(ActList* head) 
{//start of display 
    cout<<"show the list of programs."<<endl; 
    while(head!=NULL) 
    { 
        cout<<head->Mtime<<"\t"<<head->ActName<<"\t"<<head->Director<<"\t"<<endl; 
        head=head->next; 
    } 
}//end of display 
 
 
ActList* ReverseList2(ActList* head) 
{ 
    //ActList* temp=new ActList; 
 if(NULL==head|| NULL==head->next) return head;     
    ActList* p; 
    ActList* q; 
    ActList* r; 
    p = head;   
    q = head->next; 
    head->next = NULL; 
    while(q){ 
        r = q->next; // 
        q->next = p;     
        p = q; // 
        q = r; // 
    } 
    head=p; 
    return head;     
} 
 
ActList* ReverseList3(ActList* head) 
{ 
    ActList* p; 
    ActList* q; 
    p=head->next; 
    while(p->next!=NULL){ 
        q=p->next; 
        p->next=q->next; 
        q->next=head->next; 
        head->next=q; 
    } 
 
    p->next=head;//相当于成环 
    head=p->next->next;//新head变为原head的next 
    p->next->next=NULL;//断掉环 
    return head;   
} 
int main(int argc, char* argv[]) 
{ 
//  DisplayList(Create()); 
//  DisplayList(ReverseList2(Create())); 
    DisplayList(ReverseList3(Create())); 
    return 0; 
} 

 

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,这些特征对于像和语音识别、自然语言处理、医学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,如像。它们使用卷积层来提取像的特征。 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