985硕闭着眼都有15k以上的月薪

985 闭眼

今天在牛客上看到一篇直呼好家伙的帖子：

这位同学指出：论坛里个个 985 的硕士闭着眼睛都有 15k 以上的月薪，还天天嚷嚷着研究生白读了，天天嚷嚷着反向读研了 ...

通常这样的帖子，都会被评论区喷成筛子。

结果打开评论区一看，大家都正儿八经在吐苦水，由此可见，过去几年选读研的同学，有不在少数是真觉得后悔：

一个最现实的情况：如果三年前 985 或 211 的本科，和如今的硕士找的工作是一样的，价格也没区别，那就是"反向读研"。

确实，如果读研没有带来就业优势，年龄反而增大了三岁，这对于国内互联网来说是明显的劣势。

如果再考虑时代的因素，那可能对人生轨迹的影响就更大了。

读研与否所导致的经济差，远远不止读研费用（负收入）和就业薪资（正收入）之间的差别，还在于就业机会和先发优势。

我举个例子你就明白了，三年前要加入大厂是相对容易的，现在找个工作都难；即使能力足够强，读完研还能进入大厂，且拿到比本科就业时更高的 base，但当年的本科早进来三年的同届舍友可能已经是个小 leader，在晋升和职业规划上，早就领先几个身位；如果恰好这三年公司处于高速上升期的话，那很可能这三年到手的奖金和期权，就已经能抵这个硕士同事的十年收入了 ...

对此，你怎么看？

你读研了吗？你觉得如今的就业市场和四年前相比，有何区别？

...

回归主题。

来一道循序渐进算法题。

题目描述

平台：LeetCode

题号：978

当 A 的子数组   满足下列条件时，我们称其为湍流子数组：

• 若  ，当  为奇数时， ，且当 为偶数时，
• 若  ，当 为偶数时，  ，且当  为奇数时，

也就是说，如果比较符号在子数组中的每个相邻元素对之间翻转，则该子数组是湍流子数组。

返回 A 的最大湍流子数组的长度。

示例 1：

输入：[9,4,2,10,7,8,8,1,9]

输出：5

解释：(A[1] > A[2] < A[3] > A[4] < A[5])

示例 2：

输入：[4,8,12,16]

输出：2

示例 3：

输入：[100]

输出：1

提示：

基本思路

本题其实是要我们求最长一段呈 ↗ ↘ ↗ ↘ 或者 ↘ ↗ ↘ ↗ 形状的数组长度。

看一眼数据范围，有 40000，那么枚举起点和终点，然后对划分出来的子数组检查是否为「湍流子数组」的朴素解法就不能过了。

朴素解法的复杂度为 ，直接放弃朴素解法。

复杂度往下优化，其实就 的 DP 解法了。

动态规划

至于 DP 如何分析，通过我们会先考虑一维 DP 能否求解，不行再考虑二维 DP。

对于本题，「由于每个位置而言，能否「接着」上一个位置」形成「湍流」，取决于上一位置是由什么形状而来。

举个例子，对于样例 [3,4,2]，从 4 -> 2 已经确定是 ↘ 状态，那么对于 2 这个位置能否「接着」4 形成「湍流」，要求 4 必须是由 ↗ 而来。

「因此我们还需要记录某一位是如何来的（↗ 还是 ↘），需要使二维 DP 来求解」

我们定义 代表以位置 i 为结尾，而结尾状态为 j 的最长湍流子数组长度（0：上升状态 / 1:下降状态）

❝

PS. 这里的状态定义我是猜的，这其实是个技巧。通常我们做 DP 题，都是先猜一个定义，然后看看这个定义是否能分析出状态转移方程帮助我们「不重不漏」的枚举所有的方案。一般我是直接根据答案来猜定义，这里是求最长子数组长度，所以我猜一个 f(i,j) 代表最长湍流子数组长度

❞

不失一般性考虑 该如何求解，我们知道位置 i 是如何来是唯一确定的（取决于 和 的大小关系），而只有三种可能性：

• ：该点是由上升而来，能够「接着」的条件是 是由下降而来。则有：
• ：改点是由下降而来，能够「接着」的条件是 是由上升而来。则有：
• ：不考虑，不符合「湍流」的定义

Java 代码：

class Solution {
    public int maxTurbulenceSize(int[] arr) {
        int n = arr.length, ans = 1;
        int[][] f = new int[n][2];
        f[0][0] = f[0][1] = 1;
        for (int i = 1; i < n; i++) {
            f[i][0] = f[i][1] = 1;
            if (arr[i] > arr[i - 1]) f[i][0] = f[i - 1][1] + 1;
            else if (arr[i] < arr[i - 1]) f[i][1] = f[i - 1][0] + 1;
            ans = Math.max(ans, Math.max(f[i][0], f[i][1]));
        }
        return ans;
    }
}

C++ 代码：

class Solution {
public:
    int maxTurbulenceSize(vector<int>& arr) {
        int n = arr.size(), ans = 1;
        vector<vector<int>> f(n, vector<int>(2, 1));
        for (int i = 1; i < n; i++) {
            if (arr[i] > arr[i - 1]) f[i][0] = f[i - 1][1] + 1;    
            else if (arr[i] < arr[i - 1]) f[i][1] = f[i - 1][0] + 1;
            ans = max(ans, max(f[i][0], f[i][1]));
        }
        return ans;
    }
};

Python 代码：

class Solution:
    def maxTurbulenceSize(self, arr: List[int]) -> int:
        n, ans = len(arr), 1
        f = [[1, 1] for _ in range(n)]
        for i in range(1, n):
            if arr[i] > arr[i - 1]:
                f[i][0] = f[i - 1][1] + 1
            elif arr[i] < arr[i - 1]:
                f[i][1] = f[i - 1][0] + 1
            ans = max(ans, max(f[i][0], f[i][1]))
        return ans

TypeScript 代码：

function maxTurbulenceSize(arr: number[]): number {
    let n = arr.length, ans = 1;
    const f: number[][] = new Array(n).fill(0).map(() => [1, 1]);
    for (let i = 1; i < n; i++) {
        if (arr[i] > arr[i - 1]) f[i][0] = f[i - 1][1] + 1;
        else if (arr[i] < arr[i - 1]) f[i][1] = f[i - 1][0] + 1;
        ans = Math.max(ans, Math.max(f[i][0], f[i][1]));
    }
    return ans;
};

• 时间复杂度：
• 空间复杂度：

空间优化：奇偶滚动

我们发现对于 状态的更新只依赖于 的状态。

因此我们可以使用「奇偶滚动」方式来将第一维从 n 优化到 2。

修改的方式也十分机械，只需要改为「奇偶滚动」的维度直接修改成 2，然后该维度的所有访问方式增加 %2 或者 &1 即可：

Java 代码：

class Solution {
    public int maxTurbulenceSize(int[] arr) {
        int n = arr.length, ans = 1;
        int[][] f = new int[2][2];
        f[0][0] = f[0][1] = 1;
        for (int i = 1; i < n; i++) {
            f[i % 2][0] = f[i % 2][1] = 1;
            if (arr[i] > arr[i - 1]) f[i % 2][0] = f[(i - 1) % 2][1] + 1;
            else if (arr[i] < arr[i - 1]) f[i % 2][1] = f[(i - 1) % 2][0] + 1;
            ans = Math.max(ans, Math.max(f[i % 2][0], f[i % 2][1]));
        }
        return ans;
    }
}

C++ 代码：

class Solution {
public:
    int maxTurbulenceSize(vector<int>& arr) {
        int n = arr.size(), ans = 1;
        vector<vector<int>> f(2, vector<int>(2, 1));
        for (int i = 1; i < n; i++) {
            f[i % 2][0] = f[i % 2][1] = 1;
            if (arr[i] > arr[i - 1]) f[i % 2][0] = f[(i - 1) % 2][1] + 1;
            else if (arr[i] < arr[i - 1]) f[i % 2][1] = f[(i - 1) % 2][0] + 1;
            ans = max(ans, max(f[i % 2][0], f[i % 2][1]));
        }
        return ans;
    }
};

Python 代码：

class Solution:
    def maxTurbulenceSize(self, arr: List[int]) -> int:
        n, ans = len(arr), 1
        f = [[1, 1] for _ in range(2)]
        for i in range(1, n):
            f[i % 2][0] = f[i % 2][1] = 1
            if arr[i] > arr[i - 1]:
                f[i % 2][0] = f[(i - 1) % 2][1] + 1
            elif arr[i] < arr[i - 1]:
                f[i % 2][1] = f[(i - 1) % 2][0] + 1
            ans = max(ans, max(f[i % 2][0], f[i % 2][1]))
        return ans

TypeScript 代码：

function maxTurbulenceSize(arr: number[]): number {
    let n = arr.length, ans = 1;
    const f: number[][] = [[1, 1], [1, 1]];
    for (let i = 1; i < n; i++) {
        f[i % 2][0] = f[i % 2][1] = 1;
        if (arr[i] > arr[i - 1]) f[i % 2][0] = f[(i - 1) % 2][1] + 1;
        else if (arr[i] < arr[i - 1]) f[i % 2][1] = f[(i - 1) % 2][0] + 1;
        ans = Math.max(ans, Math.max(f[i % 2][0], f[i % 2][1]));
    }
    return ans;
};

• 时间复杂度：
• 空间复杂度：使用固定 2 * 2 的数组空间。复杂度为

空间优化：维度消除

既然只需要记录上一行状态，能否直接将行的维度消除呢？

答案是可以的，当我们要转移第 i 行的时候， 装的就已经是 i-1 行的结果。

这也是著名「背包问题」的一维通用优手段。

但相比于「奇偶滚动」的空间优化，这种优化手段只是常数级别的优化（空间复杂度与「奇偶滚动」相同），而且优化通常涉及代码改动。

Java 代码：

class Solution {
    public int maxTurbulenceSize(int[] arr) {
        int n = arr.length, ans = 1;
        int[] f = new int[2];
        f[0] = f[1] = 1;
        for (int i = 1; i < n; i++) {
            int a = f[0], b = f[1];
            f[0] = arr[i - 1] < arr[i] ? b + 1 : 1;
            f[1] = arr[i - 1] > arr[i] ? a + 1 : 1;
            ans = Math.max(ans, Math.max(f[0], f[1]));
        }
        return ans;
    }
}

C++ 代码：

class Solution {
public:
    int maxTurbulenceSize(vector<int>& arr) {
        int n = arr.size(), ans = 1;
        vector<int> f(2, 1);
        for (int i = 1; i < n; ++i) {
            int a = f[0], b = f[1];
            f[0] = arr[i - 1] < arr[i] ? b + 1 : 1;
            f[1] = arr[i - 1] > arr[i] ? a + 1 : 1;
            ans = max(ans, max(f[0], f[1]));
        }
        return ans;
    }
};

Python 代码：

class Solution:
    def maxTurbulenceSize(self, arr: List[int]) -> int:
        n, ans = len(arr), 1
        f = [1, 1]
        for i in range(1, n):
            a, b = f[0], f[1]
            f[0] = b + 1 if arr[i - 1] < arr[i] else 1
            f[1] = a + 1 if arr[i - 1] > arr[i] else 1
            ans = max(ans, max(f[0], f[1]))
        return ans

TypeScript 代码：

function maxTurbulenceSize(arr: number[]): number {
    let n = arr.length, ans = 1;
    let f = [1, 1];
    for (let i = 1; i < n; i++) {
        let [a, b] = f;
        f[0] = arr[i - 1] < arr[i] ? b + 1 : 1;
        f[1] = arr[i - 1] > arr[i] ? a + 1 : 1;
        ans = Math.max(ans, Math.max(f[0], f[1]));
    }
    return ans;
};

• 时间复杂度：
• 空间复杂度：

最后

巨划算的 LeetCode 会员优惠通道目前仍可用 ~

使用福利优惠通道 leetcode.cn/premium/?promoChannel=acoier，年度会员 有效期额外增加两个月，季度会员 有效期额外增加两周，更有超大额专属 🧧 和实物 🎁 福利每月发放。

我是宫水三叶，每天都会分享算法知识，并和大家聊聊近期的所见所闻。

欢迎关注，明天见。

更多更全更热门的「笔试/面试」相关资料可访问排版精美的 合集新基地 🎉🎉