【LeetCode】Longest Palindromic Substring && 【九度】题目1528:最长回文子串(腾讯2013年实习生招聘二面面试题)

133 篇文章 0 订阅
121 篇文章 2 订阅

         Longest Palindromic Substring
         Total Accepted: 4808 Total Submissions: 23151 My Submissions
        Given a string S, find the longest palindromic substring in S. You may assume that the maximum length of S is 1000, and there exists one unique longest palindromic substring.
        为什么要专门写这个题目呢,网上有个盛传的,解决最长回文子串的算法,即最长回文子串模板,Manacher算法,时间复杂度O(n)。
        英文版算法描述参见http://leetcode.com/2011/11/longest-palindromic-substring-part-ii.html
        我承认,我看了好多次都没办法去理解这个算法的精髓。恩,大概是因为不够牛。呵呵。
        扯远了,相对于这个难理解的算法,给一个简单易懂的代码。
        我们都知道回文子串的定义。
        那么扫描一遍字符串。
        针对每个字符,i求回文子串,对i和i+1求回文子串。
        扫描结束以后就知道最长长度是多少。
        根据数学,知道最长长度,知道中点的位置,很容易就可以计算出开头和结尾。
        源字符串substring就是答案。时间复杂度O(n)
        这个和九度题目1528:最长回文子串(腾讯2013年实习生招聘二面面试题)完全一样。
Java AC

public class Solution {
    public String longestPalindrome(String s) {
        if (s == null || "".equals(s.trim())) {
			return "";
		}
        char array[] = s.toCharArray();
        int len = array.length;
        int maxLen = 1;
        int l = 0;
        int r = 0;
        for (int i = 0; i < len; i++) {
            int len1 = getMaxPalindromes(i , i , len , array);
            if (len1 > maxLen) {
                maxLen = len1;
                l = i - (maxLen-1)/2;
                r = i + (maxLen-1)/2;
            }
            int len2 = getMaxPalindromes(i , i+1 , len , array);
            if (len2 > maxLen) {
                maxLen = len2;
                l = i - maxLen/2 + 1;
                r = i + maxLen/2;
            }
        }
        return s.substring(l,r+1);
    }
    public int getMaxPalindromes(int l, int r, int len , char array[]) {
        while (l >= 0 && r < len && array[l] == array[r]) {
            l --;
            r ++;
        }
        return r - l - 1;
    }
}

九度题目1528:最长回文子串(腾讯2013年实习生招聘二面面试题)Java AC

import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.io.StreamTokenizer;
 
public class Main {
    /*
     * 1528
     */
    public static void main(String[] args) throws Exception {
        StreamTokenizer st = new StreamTokenizer(new BufferedReader(new InputStreamReader(System.in)));
        while (st.nextToken() != StreamTokenizer.TT_EOF) {
            String a = st.sval;
            char array[] = a.toCharArray();
            int len = array.length;
             
            int maxLen = 1;
            for (int i = 0; i < len; i++) {
                int len1 = getMaxPalindromes(i , i , len , array);
                if (len1 > maxLen) {
                    maxLen = len1;
                }
                int len2 = getMaxPalindromes(i , i+1 , len , array);
                if (len2 > maxLen) {
                    maxLen = len2;
                }
            }
            System.out.println(maxLen);
        }
    } 
    private static int getMaxPalindromes(int l, int r, int len , char array[]) {
        while (l >= 0 && r < len && array[l] == array[r]) {
            l --;
            r ++;
        }
        return r - l - 1;
    }
} 
/**************************************************************
    Problem: 1528
    User: wzqwsrf
    Language: Java
    Result: Accepted
    Time:850 ms
    Memory:25460 kb
****************************************************************/
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,这些特征对于图像和语音识别、自然语言处理、医学图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,如图像。它们使用卷积层来提取图像的特征。 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