- 博客(9)
- 收藏
- 关注
RSS订阅原创 代码随想录day7
本文总结了四道哈希表相关算法题的解题思路和实现方法。454题通过哈希表将四数之和转化为两数之和问题，降低时间复杂度；383题使用哈希表统计字符频率判断字符串包含关系；15题采用排序+双指针法解决三数之和问题，注意去重；18题在15题基础上增加一层循环处理四数之和，通过剪枝优化性能。四道题目均利用哈希表或双指针技巧，将时间复杂度从O(n^4)优化到O(n^2)或O(n^3)，同时注重处理边界条件和去重问题，体现了算法设计中空间换时间和逐步优化的思想。
2026-01-22 15:04:06
502
原创 代码随想录训练营day4
本文总结了链表相关的四道经典算法题：两两交换链表节点、删除倒数第N个节点、链表相交判断和环形链表检测。重点介绍了迭代/递归、快慢指针等核心解法，强调虚拟头节点、指针操作顺序等关键技巧。每道题都包含题目描述、示例、解题思路、代码实现和关键点总结，涵盖了链表操作的主要场景和常见考点，对算法面试准备具有实用参考价值。
2026-01-22 13:05:27
605
原创 代码随想录day2
滑动窗口的适用场景：适用于连续子数组/子串的最值问题，核心是通过双指针动态调整窗口，避免重复计算。左右指针的移动逻辑：右指针负责“探路”扩展窗口，左指针负责“优化”收缩窗口，两者配合实现线性时间复杂度。初始化技巧min_result初始化为无穷大，是为了在第一次找到满足条件的窗口时，能通过min()函数正确更新；最终需判断是否仍为无穷大，以处理“无满足条件子数组”的边界情况。时间复杂度分析：每个元素最多被右指针和左指针各访问一次，因此时间复杂度为OnO(n)On；空间复杂度为O1O(1)
2026-01-21 14:22:40
558
原创 代码随想录训练营day3
本文介绍了两个链表相关算法题目的解题思路和实现方法。第一题203.移除链表元素通过虚拟头节点(dummy_head)简化删除操作，统一处理头节点和普通节点，遍历时判断并跳过目标值节点。第二题707.设计链表采用单链表+虚拟头节点+链表长度记录的方案，实现了获取节点值、头插、尾插、指定位置插入和删除等操作，通过size变量优化边界判断。两题都强调了虚拟头节点在简化链表操作中的重要性，以及边界条件的处理技巧，时间复杂度均为O(n)。
2026-01-15 16:19:03
664
原创 代码随想录训练营day1
本文记录了算法刷题过程，重点解析了三道数组相关题目：704二分查找（讨论左闭右闭和左闭右开两种写法）、27移除元素（比较暴力法和双指针法）、977有序数组平方（双指针从两端遍历）。作者强调了边界条件处理的重要性，总结了二分查找的索引更新规则、双指针的优化技巧，以及利用数组有序特性的解题思路。通过这三道基础题目，巩固了数组操作的核心算法思想。
2026-01-14 11:11:55
535
原创 Oceanbase大赛：数据库expression 表达式体系重构全流程详解（MiniOB）
本文详细介绍了OceanBase数据库大赛中MiniOB项目的表达式体系重构过程。原有系统存在硬编码条件结构、缺失一元表达式支持、缺乏可扩展性等问题。重构目标是建立统一、灵活、可扩展的表达式框架，支持嵌套表达式、一元运算符和优化功能。 重构关键点包括： 语法解析阶段扩展了一元表达式支持，使用%prec UMINUS处理负号优先级； 升级条件表达式数据结构，支持任意表达式作为操作数； 扩展表达式类型，包括字段引用、常量值、比较、逻辑连接和算术表达式； 实现表达式绑定机制，支持类型自动提升和转换。 重构后的系统
2025-07-25 11:21:37
1905
1
原创 2.MiniOB 实现 SELECT 查询个人总结
本文详细分析 MiniOB 中 SELECT 查询的执行全流程，涵盖从 SQL 文本解析到结果返回的完整过程
2025-07-11 15:59:43
618
原创 1.MiniOB 实现 DROP TABLE 功能个人总结
由于miniob的不断更新之前很多实现droptable的视频都已过期，本文旨在如何在 MiniOB 数据库中实现 DROP TABLE功能，涵盖从 SQL 解析到底层文件删除的全流程。
2025-07-02 14:03:04
1444
2
翻译 聊天机器人竞技场排行榜第8周介绍MT-Bench和Vicuna-33B
本文介绍聊天机器人竞技场排行榜的更新,新增开源模型和三项评估指标:聊天机器人竞技场Elo、MT-Bench和MMLU。推出一系列Vicuna-v1.3模型。提出多轮对话基准测试MT-Bench,包含80个高质量问题,评估模型会话流程和遵循指令能力。与基于用户投票的对战平台聊天机器人竞技场配合使用。两者主要评估指标为人类偏好。探讨利用GPT-4等LLM作为评委的可靠性。显示谨慎使用下,LLM评委可以作为人类偏好的可扩展和可解释近似。基于GPT-4的MT-Bench单回答评分也能有效匹配人类偏好。
2023-07-14 17:08:40
3800
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人