LeetCode -- 876、19、双指针x链表问题:快慢指针(1)

转自 面向大象编程,作者nettee, 侵删。
上一篇文章中,我们分析了经典的 Two Sum II 问题与双指针方法。双指针这个名字在很多题解中都能见到,那么,还有什么题目可以用双指针方法解决呢?
实际上,双指针是一个很笼统的概念。只要在解题时用到了两个指针(链表指针、数组下标皆可),都可以叫做双指针方法。根据两个指针运动方式的不同,双指针方法可以分成同向指针、对向指针、快慢指针等。
双指针方法遇到链表问题,我们主要使用快慢指针方法。很多时候链表操作遇到疑难杂症时,可以使用快慢指针,减少算法所需的时间或者空间。
我们知道,链表数据类型的特点决定了它只能单向顺序访问,而不能逆向遍历或随机访问(按下标访问)。很多时候,我们需要使用快慢指针的技巧来实现一定程序的逆向遍历,或者减少遍历的次数。这就是为什么快慢指针常用于链表问题。
链表问题中的快慢指针又可以细分为多个不同类型。下面将依次介绍快慢指针的三个应用场景。
例题1:链表的中间节点 难度:简单
在这里插入图片描述
法一:数组法 依次把链表节点放入链表数组中
注意循环条件while,然后循环内数字更新。
在数组中添加元素的时候使用下标[ ], 索引可以定义在循环外面,逐渐增加。

public ListNode middleNode(ListNode head){
	ListNode[] A = new ListNode[100];
	int t= 0;
	while (head!=null) {
		A[t] = head;
		t += 1;
		head = head.next;
	}
	return A[t/2];
}

法二:单指针法 只用一个cur指针,先得到节点总个数(内存消耗最少)

public ListNode middleNode (ListNode head){
	int n = 0;
	ListNode cur = head;
	while (cur != null) {
		n += 1;
		cur = cur.next;
	}
	int k = 0;
	cur = head;
	while (k<n/2) {
		k += 1;
		cur = cur.next;
	}
	return cur;
}

法三:快慢指针法 (一趟扫描实现)
上次错误:while的条件写少了。
更巧妙的做法是使用一快一慢两个指针。快指针一次前进两个结点,速度是慢指针的两倍。这样当快指针到达链表尾部时,慢指针正好到达的链表的中部。这样只需遍历链表一遍。当然,时间复杂度仍然是O(n),不过链表类题目就是需要这样减少一次遍历的技巧。
注意链表中删除节点的操作是a.next = a.next.next删除a后一个节点;prev.next=curr.next删除curr节点。

public ListNode middleNode (ListNode head){
	ListNode fast = head;
	ListNode slow = head;
	
	while (fast != null && fast.next != null) {
		fast = fast.next.next;
		slow = slow.next;
	}
	return slow;
}

例二:删除链表的倒数第N个节点 难度:中等
在这里插入图片描述
法一:单指针法
上次错误:没有想到利用dummy放到链表前面。
上次错误:最后应该返回dummy.next, 否则当应该返回null的时候会出错。
即常规做法,先遍历一遍链表,计算链表的长度n。这样就可以计算出要找第n-k个元素,再遍历一遍链表即可。
设置dummy为head前面的节点是为了可以删除正确的节点。

public ListNode removeNthFromEnd (ListNode head, int n){
	int length = 0;
	ListNode curr = head;
	while (curr != null) {
		length += 1;
		curr = curr.next;
	}
	length=length-n;
	
	ListNode dummy = new ListNode(0);  // 头结点前面的
	dummy.next = head;
	curr = dummy;
	while (length>0) {
		length -= 1;
		curr = curr.next;
	}
	curr.next = curr.next.next;
	return dummy.next;
}

法二:快慢指针
上次错误:注意链表遍历框架里面有prev和curr两个指针,prev==null的情况就是curr是head的情况,删除head的方法要注意。
这里同样可以使用快慢指针方法减少一次遍历。不过这次两个指针速度相同,只是间隔一定距离。快指针先前进 k个元素,然后两个指针同样速度前进。这样当快指针到达链表尾部时,慢指针正好到达链表的倒数第 k个元素。
注意例题中除了寻找倒数第 k 个元素,还需要删除它。为了删除元素,我们需要用到第一讲中所讲的链表遍历框架,将 slow 指针变成 prev 和 curr 两个指针。(关于 prev 和 curr 指针的具体用法,请自行回顾第一讲。)所以这里实际上是三个指针一起前进,注意分辨指针之间的关系。
注意curr是头指针的情况,删除时注意head=curr.next。

public ListNode removeNthFromEnd (ListNode head, int k){
	// 将fast前进k个元素
	ListNode fast = head;
	for (int i=0;i<k;i++) {
		// 这里省略了检测空指针的代码
		fast = fast.next;
	}
	
	// 这里使用了链表遍历框架,将slow指针变成两个指针curr和prev
	ListNode prev = null;
	ListNode curr = head;
	// 一起往后走
	while (fast != null) {
		prev = curr;
		curr = curr.next;
		fast = fast.next;
	}
	
	// 删除curr节点
	if (prev == null) {  // curr是头结点的情况
		head = curr.next;  
	}else {
		prev.next = curr.next;
	}
	return head;
}

这里题目假设了 k 的取值一定是合法的,因此代码中省略了若干合法性检查。但是在面试中,我们应该考虑输入k不合法的情况,保证程序的鲁棒性。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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