基本思路
1 思想:每次缩小一半搜索空间
2 模版如下:
- left=0,right=nums.length-1
- while(left<right)
- 循环内
3.1 mid=(left+right)/2,由于left<=mid<right,所以为了避免死循环,在下一轮中要么left>mid(left=mid+1),要么right<=mid(right=mid/mid-1)
3.2 mid=(left+right+1)/2,由于left<mid<=right,所以为了避免死循环,在下一轮中要么left>=mid(left=mid/mid+1),要么right<mid(right=mid-1) - return left/right(最后一步left==right)
3 查找某个具体值,如果用left<=right,必须left=mid+1,right=mid-1,否则死循环;
4 其余情况,具体问题具体分析;
最长递增子序列
1 题目描述
给你一个整数数组 nums ,找到其中最长严格递增子序列的长度。
子序列是由数组派生而来的序列,删除(或不删除)数组中的元素而不改变其余元素的顺序。例如,[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。
示例 1:
输入:nums = [10,9,2,5,3,7,101,18]
输出:4
解释:最长递增子序列是 [2,3,7,101],因此长度为 4 。
示例 2:
输入:nums = [0,1,0,3,2,3]
输出:4
示例 3:
输入:nums = [7,7,7,7,7,7,7]
输出:1
提示:
- 1 <= nums.length <= 2500
- -104 <= nums[i] <= 104
进阶:
- 你可以设计时间复杂度为 O(n2) 的解决方案吗?
- 你能将算法的时间复杂度降低到 O(n log(n)) 吗?
2 解题(Java)
解题思路:动态规划+二分查找
-
新建数组 cell,用于保存最长上升子序列;
-
对原序列进行遍历,将每位元素二分插入 cell 中:
- 如果 cell 中元素都比它小,将它插到最后;
- 否则,用它覆盖掉大于等于它的元素中最小的那个;
-
cell 未必是真实的最长上升子序列,但长度是对的;
代码
class Solution {
public int lengthOfLIS(int[] nums) {
List<Integer> cell = new ArrayList<>();
cell.add(nums[0]);
for (int i=1; i<nums.length; i++) {
if (nums[i] > cell.get(cell.size()-1)) {
cell.add(nums[i]);
} else {
int left = 0, right = cell.size() - 1;
while (left < right) {
int mid = (left + right) / 2;
if (cell.get(mid) >= nums[i]) right = mid;
else left = mid+1;
}
cell.remove(left);
cell.add(left, nums[i]);
}
}
return cell.size();
}
}
3 复杂性分析
- 时间复杂度:O(nlog(n)) ;
- 空间复杂度:O(n);
在排序数组中查找元素的第一个和最后一个位置
1 题目描述
给定一个按照升序排列的整数数组 nums,和一个目标值 target。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 target,返回 [-1, -1]。
进阶:
你可以设计并实现时间复杂度为 O(log n) 的算法解决此问题吗?
示例 1:
输入:nums = [5,7,7,8,8,10], target = 8
输出:[3,4]
示例 2:
输入:nums = [5,7,7,8,8,10], target = 6
输出:[-1,-1]
示例 3:
输入:nums = [], target = 0
输出:[-1,-1]
2 解题(Java)
二分法:
class Solution {
public int[] searchRange(int[] nums, int target) {
if (nums.length==0) return new int[] {-1, -1};
int start = -1, end = -1;
int left = 0, right = nums.length - 1;
while (left < right) {
int mid = (left + right) / 2;
if (nums[mid] >= target) right = mid;
else left = mid + 1;
}
start = nums[left] == target ? left : -1;
left = 0; right = nums.length - 1;
while (left < right) {
int mid = (left + right + 1) / 2;
if (nums[mid] <= target) left = mid;
else right = mid - 1;
}
end = nums[right] == target ? right : -1;
return new int[] {start, end};
}
}
3 复杂性分析
- 时间复杂度O(logN):N为数组长度,共进行两次二分查找;
- 空间复杂度O(1):定义了几个变量占用常数大小的额外空间;
*搜索旋转排序数组
1 题目描述
整数数组 nums 按升序排列,数组中的值互不相同 。
在传递给函数之前,nums 在预先未知的某个下标 k(0 <= k < nums.length)上进行了 旋转,使数组变为 [nums[k], nums[k+1], …, nums[n-1], nums[0], nums[1], …, nums[k-1]](下标 从 0 开始 计数)。例如, [0,1,2,4,5,6,7] 在下标 3 处经旋转后可能变为 [4,5,6,7,0,1,2] 。
给你 旋转后 的数组 nums 和一个整数 target ,如果 nums 中存在这个目标值 target ,则返回它的索引,否则返回 -1 。
示例 1:
输入:nums = [4,5,6,7,0,1,2], target = 0
输出:4
示例 2:
输入:nums = [4,5,6,7,0,1,2], target = 3
输出:-1
示例 3:
输入:nums = [1], target = 0
输出:-1
提示:
1 <= nums.length <= 5000
-10 ^ 4 <= nums[i] <= 10 ^ 4
nums 中的每个值都 独一无二
nums 肯定会在某个点上旋转
-10 ^ 4 <= target <= 10 ^ 4
进阶:你可以设计一个时间复杂度为 O(log n) 的解决方案吗?
2 解题(Java)
解题思路
- 对于有序数组,可以使用二分查找的方法查找元素;
- 将数组从中间分开成左右两部分的时候,一定有一部分的数组是有序的,并根据有序的那个部分确定我们该如何改变二分查找的上下界;
- 如果 [left, mid - 1] 是有序数组,且 target 的大小满足 [nums[left],nums[mid]),则我们应该将搜索范围缩小至 [left, mid - 1],否则在 [mid + 1, right] 中寻找;
- 如果 [mid, right] 是有序数组,且 target 的大小满足(nums[mid+1],nums[right]],则我们应该将搜索范围缩小至[mid + 1, right],否则在 [left, mid - 1] 中寻找;
代码
class Solution {
public int search(int[] nums, int target) {
int left = 0, right = nums.length - 1;
while (left <= right) {
int mid = (left + right) / 2;
if (nums[mid] == target) return mid;
if (nums[left] <= nums[mid]) {
if (nums[left] <= target && target < nums[mid]) {
right = mid - 1;
} else {
left = mid + 1;
}
} else {
if (nums[mid] < target && target <= nums[right]) {
left = mid + 1;
} else {
right = mid - 1;
}
}
}
return -1;
}
}
3 复杂性分析
- 时间复杂度O(logN):其中 N 为 nums 数组的长度,时间复杂度即为二分查找的时间复杂度;
- 空间复杂度O(1):几个变量占用常数大小的额外空间;
*旋转数组的最小数字
1 题目描述
把一个数组最开始的若干个元素搬到数组的末尾,我们称之为数组的旋转。输入一个递增排序的数组的一个旋转,输出旋转数组的最小元素。例如,数组 [3,4,5,1,2] 为 [1,2,3,4,5] 的一个旋转,该数组的最小值为1。
示例 1:
输入:[3,4,5,1,2]
输出:1
示例 2:
输入:[2,2,2,0,1]
输出:0
2 解题(Java)
2.1 解题思路
- 寻找旋转数组的最小元素即寻找右排序数组的首个元素 numbers[x] ,称 x 为旋转点;
- 排序数组的查找问题首先考虑使用二分法解决,其可将遍历法的线性级别时间复杂度降低至对数级别 ;
2.2 算法流程
1 初始化
声明 left, right 双指针分别指向 nums 数组左右两端;
2 循环二分
设 mid = (left + right) / 2 为每次二分的中点( “/” 代表向下取整除法,因此恒有 left ≤ m < right ),可分为以下三种情况:
- 当 nums[mid] > nums[right]时: mid 一定在左排序数组中,即旋转点 x 一定在 [mid + 1, right] 闭区间内,因此执行 left = mid + 1;
- 当 nums[mid] < nums[right]时: mid 一定在右排序数组中,即旋转点 x 一定在[left, mid]闭区间内,因此执行 right = mid;
- 当 nums[mid] = nums[right]时: 无法判断 mid 在哪个排序数组中,即无法判断旋转点 x 在 [left, mid]还是 [mid + 1, right]区间中。解决方案:执行 right = right - 1缩小判断范围;
3 返回值
当left = right时跳出二分循环,并返回 旋转点的值 nums[left] 即可;
2.3 正确性证明
当 nums[mid] = nums[right]时,right = right - 1的正确性证明:
当 nums[mid] = nums[right] 时,无法判定 mid 在左(右)排序数组,自然也无法通过二分法安全地缩小区间,因为其会导致旋转点 x 不在区间 [left, right]内。举例如下:
设以下两个旋转点值为 0 的示例数组,则当 left = 0, right = 4 时 mid = 2,两示例结果不同。
- 示例一 [1, 0, 1, 1, 1]:旋转点 x = 1 ,因此 mid = 2 在右排序数组中;
- 示例二 [1, 1, 1, 0, 1]:旋转点 x = 3,因此 mid = 2 在左排序数组中;
而证明 right = right - 1正确(缩小区间安全性),需分为两种情况:
- 当 x < right时: 易得执行 right = right - 1 后,旋转点 x 仍在区间 [left, right]内;
- 当 x = right时: 执行 right = right - 1后越过(丢失)了旋转点 x ,但最终返回的元素值 nums[left] 仍等于旋转点值 nums[x] :
- 由于 x = right,因此 nums[x]=nums[right]=nums[mid],nums[x]≤number[left] ,所以nums[mid]≤number[left];
- 又由于 left≤mid<right 恒成立,因此有 mid < x,即此时 m 一定在左排序数组中,因此 nums[mid]≥nums[left] ;
- 综合 1. , 2. ,可推出 nums[left] = nums[mid],且区间 [left, mid] 内所有元素值相等,即有:nums[left]=nums[left+1]=⋯=nums[mid]=nums[x]。此时,执行 right = right - 1 后虽然丢失了旋转点 x ,但之后区间 [left, right]只包含左排序数组,二分下去返回的一定是本轮的 nums[left] ,而其与 nums[x]相等。
2.4 代码
class Solution {
public int minArray(int[] numbers) {
int left = 0;
int right = numbers.length - 1;
while (left < right) {
int mid = (left + right) / 2;
if (numbers[mid] > numbers[right]) left = mid + 1;
else if (numbers[mid] < numbers[right]) right = mid;
else right--;
}
return numbers[left];
}
}
3 复杂性分析
- 时间复杂度O(log2N) : 即二分法时间复杂度,在特例情况下(例如 [1, 1, 1, 1]),会退化到 O(N);
- 空间复杂度 O(1) : 变量left , right , mid占用常数大小的额外空间;
*0~n-1中缺失的数字
1 题目描述
一个长度为n-1的递增排序数组中的所有数字都是唯一的,并且每个数字都在范围0~n-1之内。在范围0~n-1内的n个数字中有且只有一个数字不在该数组中,请找出这个数字。
示例 1:
输入: [0,1,3]
输出: 2
示例 2:
输入: [0,1,2,3,4,5,6,7,9]
输出: 8
2 解题(Java)
2.1 解题思路
- 排序数组中的搜索问题,首先想到二分法解决;
- 根据题意,数组可以按照以下规则划分为两部分:
- 左子数组: nums[i] == i;
- 右子数组: nums[i] != i;
- 缺失的数字等于 “右子数组的首位元素” 对应的索引,因此考虑使用二分法进行查找;
2.2 算法流程
- 初始化: 左边界 left = 0,右边界 right = len(nums) - 1,代表闭区间 [left, right] ;
- 循环二分: 当 left ≤ right 时循环 (即当闭区间 [left, right] 为空时跳出):
- 计算中点 mid = (left + right) / 2,其中 “/” 为向下取整除法;
- 若 nums[mid] = mid,则 “右子数组的首位元素” 一定在闭区间 [mid + 1, right]中,因此执行 left = mid + 1;
- 若 nums[mid] != mid ,则 “左子数组的末位元素” 一定在闭区间 [left, mid - 1] 中,因此执行 right = mid - 1;
- 返回值: 跳出时,left 和 right 分别指向 “右子数组的首位元素” 和 “左子数组的末位元素” 。因此返回 left 即可;
2.3 代码
class Solution {
public int missingNumber(int[] nums) {
int left = 0, right = nums.length - 1;
while (left <= right) {
int mid = (left + right) / 2;
if (nums[mid] == mid) left = mid + 1;
else right = mid - 1;
}
return left;
}
}
3 复杂性分析
- 时间复杂度 O(log N): 二分法为对数级别时间复杂度;
- 空间复杂度 O(1): 几个变量占用常数大小的额外空间;
*寻找两个正序数组的中位数
1 题目描述
给定两个大小为 m 和 n 的正序(从小到大)数组 nums1 和 nums2。请你找出并返回这两个正序数组的中位数。
进阶:你能设计一个时间复杂度为 O(log (m+n)) 的算法解决此问题吗?
示例 1:
输入:nums1 = [1,3], nums2 = [2]
输出:2.00000
解释:合并数组 = [1,2,3] ,中位数 2
示例 2:
输入:nums1 = [1,2], nums2 = [3,4]
输出:2.50000
解释:合并数组 = [1,2,3,4] ,中位数 (2 + 3) / 2 = 2.5
示例 3:
输入:nums1 = [0,0], nums2 = [0,0]
输出:0.00000
示例 4:
输入:nums1 = [], nums2 = [1]
输出:1.00000
示例 5:
输入:nums1 = [2], nums2 = []
输出:2.00000
提示:
- nums1.length == m
- nums2.length == n
- 0 <= m <= 1000
- 0 <= n <= 1000
- 1 <= m + n <= 2000
- -10 ^ 6 <= nums1[i], nums2[i] <= 10 ^ 6
2 解题(Java)
2.1 解题思路
- 求中位数,其实就是求第 k 小数的一种特殊情况;
- 假设我们要找第 k 小数,我们可以每次循环排除掉 k/2 个数;
假设我们要找第 7 小的数字。
- 比较两个数组的第 k/2 个数字,如果 k 是奇数,向下取整;
- 也就是比较第 3 个数字,上边数组中的 4 和下边数组中的 3,哪个小,就表明该数组的前 k/2 个数字都不是第 k 小数字,将其排除,即 1,2,3 这三个数字不可能是第 7 小的数字,把它们排除掉;
- 再将 1349 和 45678910两个数组作为新的数组进行比较;
- 更一般的情况 A[1] ,A[2] ,A[3],A[k/2] … ,B[1],B[2],B[3],B[k/2] … ,如果 B[k/2]<A[k/2] ,那么B[1],B[2],B[3],B[k/2]都不可能是第 k 小的数字;
- 橙色的部分表示已经去掉的数字:
- 由于我们已经排除掉了 3 个数字,就是这 3 个数字一定在最前边,所以在两个新数组中,我们只需要找第 7 - 3 = 4 小的数字就可以了,也就是 k = 4。此时两个数组,比较第 2 个数字,3 < 5,所以我们可以把小的那个数组中的 1 ,3 排除掉了;
- 我们又排除掉 2 个数字,所以现在找第 4 - 2 = 2 小的数字就可以了。此时比较两个数组中的第 k / 2 = 1 个数,4 == 4,由于两个数相等,所以无论去掉哪个数组中的都行,于是将下边的 4 去掉;
- 由于又去掉 1 个数字,此时我们要找第 1 小的数字,所以只需判断两个数组中第一个数字哪个小就可以了,也就是 4。所以第 7 小的数字是 4;
- 每次都是取 k/2 的数进行比较,有时候可能会遇到数组长度小于 k/2的时候:
- 此时 k / 2 等于 3,而上边的数组长度是 2,我们此时将箭头指向它的末尾就可以了。这样的话,由于 2 < 3,所以就会导致上边的数组 1,2 都被排除。造成下边的情况:
- 由于 2 个元素被排除,所以此时 k = 5,又由于上边的数组已经空了,我们只需要返回下边的数组的第 5 个数字就可以了;
- 从上边可以看到,无论是找第奇数个还是第偶数个数字,对算法并没有影响,而且在算法进行中,k 的值都有可能从奇数变为偶数,最终都会变为 1 或者由于一个数组空了,直接返回结果;
- 考虑采用递归的思路,为了防止数组长度小于 k/2,所以每次比较 min(k/2,len(数组) 对应的数字,把小的那个对应的数组的数字排除,将两个新数组进入递归,并且 k 要减去排除的数字的个数。递归出口就是当 k=1 或者其中一个数组长度是 0 ;
2.2 代码
class Solution {
public double findMedianSortedArrays(int[] nums1, int[] nums2) {
int len1 = nums1.length;
int len2 = nums2.length;
int leftK = (len1 + len2 + 1) / 2;
int rightK = (len1 + len2 + 2) / 2;
//如果n+m是偶数,k不为整数,转换为求第k-0.5小和第k+0.5小的数的平均数,得到第k小数;如果n+m是奇数,会求两次同样的第k小数,取平均值,依然是第k小数
return (getKth(nums1, 0, len1 - 1, nums2, 0, len2 - 1, leftK) + getKth(nums1, 0, len1 - 1, nums2, 0, len2 - 1, rightK)) * 0.5;
}
private int getKth(int[] nums1, int start1, int end1, int[] nums2, int start2, int end2, int k) {
int len1 = end1 - start1 + 1;
int len2 = end2 - start2 + 1;
if (len1 == 0) return nums2[start2 + k - 1];
if (len2 == 0) return nums1[start1 + k - 1];
if (k == 1) return Math.min(nums1[start1], nums2[start2]);
int start1New = start1 + Math.min(len1, k / 2);
int start2New = start2 + Math.min(len2, k / 2);
if (nums1[start1New-1] > nums2[start2New-1]) {
return getKth(nums1, start1, end1, nums2, start2New, end2, k - Math.min(len2, k / 2));
}
else {
return getKth(nums1, start1New, end1, nums2, start2, end2, k - Math.min(len1, k / 2));
}
}
}
3 复杂性分析
- 时间复杂度O(log(m+n)):每进行一次循环,我们就减少 k/2 个元素,所以时间复杂度是 O(logk),而 初始k=(m+n)/2,所以最终的时间复杂度也就是 O(log(m+n));
- 空间复杂度O(1):虽然我们用到了递归,但是可以看到这个递归属于尾递归,编译器不需要不停地堆栈,所以空间复杂度为 O(1);
尾递归:
- 当编译器检测到一个函数调用是尾递归的时候,它就覆盖当前的活动记录而不是在栈中去创建一个新的;
- 因为递归调用是当前活跃期内最后一条待执行的语句,于是当这个调用返回时栈帧中并没有其他事情可做,因此也就没有保存栈帧的必要了;
- 通过覆盖当前的栈帧而不是在其之上重新添加一个,这样所使用的栈空间就大大缩减了,这使得实际的运行效率会变得更高;
*数值的整数次方
1 题目描述
实现函数double Power(double base, int exponent),求base的exponent次方。不得使用库函数,同时不需要考虑大数问题。
示例 1:
输入: 2.00000, 10
输出: 1024.00000
示例 2:
输入: 2.10000, 3
输出: 9.26100
示例 3:
输入: 2.00000, -2
输出: 0.25000
解释: 2 ^ -2 = (1/2) ^ 2 = 1/4 = 0.25
说明:
-100.0 < x < 100.0
n 是 32 位有符号整数,其数值范围是 [−2 ^ 31, 2 ^ 31 − 1] 。
2 解题(Java)
2.1 解题思路
- 求 x ^ n 最简单的方法是通过循环将 n 个 x 乘起来,依次求 x ^ 1, x ^ 2, …, x ^ (n-1), x ^ n ,时间复杂度为 O(n);
- 快速幂法可将时间复杂度降低至 O(log2 n),以下从 “二进制” 和“二分法”两个角度解析快速幂法;
2.1.1 快速幂解析(二进制角度)
- 利用十进制数字 n 的二进制表示,可对快速幂进行数学化解释;
- 对于任何十进制正整数 n ,设其二进制为“bm…b3b2b1” ( bi为二进制某位值,i∈[1,m] ),则有:
- 二进制转十进制: n = 1b1 + 2b2 + 4b3 + … + 2 ^ (m-1)bm;
- 幂的二进制展开:x ^ n = x ^ (1b1 + 2b2 + 4b3 + … + 2 ^ (m-1)bm) = x ^ 1b1 * x ^ 2b2 * x ^ 4b3…x ^ (2 ^ (m-1))bm;
- 根据以上推导,可把计算 x^n转化为解决以下两个问题:
- 计算 x ^ 1, x ^ 2, x ^ 4, …, x ^ (2^(m-1))的值:循环赋值操作x = x ^ 2即可;
- 获取二进制各位b1, b2, b3, …,bm的值:循环执行以下操作即可:
- n & 1(与操作):判断n二进制最右一位是否为1;
- n >> 1(移位操作):n右移一位(即删除最后一位);
- 因此,应用以上操作,可在循环中依次计算x ^ (2 ^ 0 * b1),x ^ (2 ^ 1 * b2), …x ^ (2 ^ (m-1) * bm)的值,并将所有x ^ (2 ^ (i - 1) * bi)累计相乘即可:
- 当bi = 0时:x ^ (2 ^ (i-1) * bi) = 1;
- 当bi = 1时:x ^ (2 ^ (i-1) * bi) = x ^ (2 ^ (i-1));
2.1.2 快速幂解析(二分法角度)
- 快速幂实际上是二分思想的一种应用;
- 二分推导:x ^ n = x ^ n/2 * x ^ n/2 = (x ^ 2) ^ n/2,令n/2为整数,需要分为奇偶两种情况(设向下取整除法符号为“//”):
- 当n为偶数: x ^ n = (x ^ 2) ^ n//2;
- 当n为奇数:x ^ n = x(x ^ 2) ^ n//2,即会多出一项x;
- 幂结果获取:
- 根据二分推导,可通过x = x ^ 2操作,每次把幂从n降至n//2,直至将幂降为0;
- 设res = 1,则初始状态x ^ n = x ^ n * res。在循环二分时,每当n为奇数时,将多出的一项x乘入res,当n=0时,返回res即可;
- 转化为位运算:
- 向下整除n//2等价于右移一位n>>1;
- 取余数n%2等价于判断二进制最右一位值n & 1;
2.2 算法流程
- 当x = 0时:直接返回0(避免后续x = 1/x操作报错);
- 初始化res = 1;
- 当n<0时:把问题转化至n>=0的范围内,即执行x = 1/x, n = -n;
- 循环计算:当n=0时跳出:
- 当n&1=1时:将当前x乘入res(即res *= x);
- 执行x = x ^ 2(即x *= x);
- 执行n右移一位(即n>>=1);
- 返回res;
注:
Java 代码中 int32 变量 n∈[−2147483648,2147483647] ,因此当 n = -2147483648时执行 n = -n 会因越界而赋值出错。解决方法是先将 n 存入 long 变量 b ,后面用 b 操作即可。
2.3 代码
class Solution {
public double myPow(double x, int n) {
if(x == 0) return 0;
long b = n;
double res = 1.0;
if(b < 0) {
x = 1 / x;
b = -b;
}
while(b > 0) {
if((b & 1) == 1) res *= x;
x *= x;
b >>= 1;
}
return res;
}
}
3 复杂性分析
- 时间复杂度O(log 2 N):二分的时间复杂度为对数级别。
- 空间复杂度O(1):res, b 等变量占用常数大小额外空间。