Java每日一题——>剑指 Offer II 027. 回文链表

这是LeetCode上的 [027,回文链表],难度为 [简单]

题目

给定一个链表的 头节点 head ,请判断其是否为回文链表。

如果一个链表是回文,那么链表节点序列从前往后看和从后往前看是相同的。

示例 1
在这里插入图片描述

输入: head = [1,2,3,3,2,1]
输出: true

示例 2:

在这里插入图片描述

输入: head = [1,2]
输出: false

题解(快慢指针,反转)

思路分析

回文链表有个特点就是对称性,即链表的第一个结点的值和最后一个结点的值相等,以此类推。因此我们可以把链表从中间划分为两个链表,然后把前一段链表或者后一段链表反转,最后同时遍历两链表,遍历过程中比较两结点的值,若不相等,则不是回文链表,否则是回文链表

需要注意的是,题意只让我们判断链表是否是回文链表,所以我们不能改变原有链表的结构,而反转链表需要尾结点的下一个结点为null,即我们不能把前一段链表进行反转(前一段链表反转需要断开链表,即尾结点需要指向null),只能把后一段链表反转(它的尾节点是指向null的),总的来说是逻辑上划分为两个链表,并不在物理结构上断开链表

步骤

第一步(把链表在逻辑结构上从中间划分为两个链表)

要想在逻辑结构上从中间划分为两个链表,需要求后一段链表的头结点,下面分为两种情况讨论

  • 当链表长度为偶数时,链表关于中间链对称,需要从中间链中断开(逻辑结构,实际不断开),因此需要求前一段链表的尾结点,尾结点的下一个结点即为后一段链表的头结点
  • 当链表长度为奇数时,链表关于中间结点对称,需要从中间结点的左右链中断开(中间结点是共用的,所以不用比较),因此需要求链表的中间结点,中间结点的下一个结点就是后一段链表的头结点

综上,我们可以使用快慢指针来求链表的中间结点,由于当链表为偶数时,需要求前一段链表的尾结点,因此逻辑(循环终止条件)会和求中间结点稍有不同

第二步(反转后一段链表)

反转链表

第三步(同时遍历两链表,比较结点值)

第四步(再次反转后一段链表,恢复原有结构)

代码实现

public class Solution {
   
    public boolean isPalindrome(ListNode head) {
       /* 当链表为偶数时,返回前一段链表的尾结点,尾结点的下一个结点为后一段链表的头结点
        *  当链表为奇数时,返回链表的中间结点,中间结点的下一个结点为后一段链表的头结点*/
        ListNode firstHalfEndOrMiddleNode = EndOrMiddleNode(head);
        // 返回后一段链表的头结点
        ListNode secondHalfHead = firstHalfEndOrMiddleNode.next;
        Boolean aBoolean = equals(head, reverseList(secondHalfHead));
        // 恢复原有结构
        reverseList(secondHalfHead);
        return aBoolean;
    }

    public ListNode EndOrMiddleNode(ListNode head) {
        ListNode slow = head;
        ListNode fast = head;
        /* 当链表长度为偶数时,终止条件为fast在链表倒数第二个结点时终止,即它的下下结点为null
        * 此时slow在前一段链表的的尾结点
        * 当链表长度为奇数时,终止条件为fast在链表的尾结点时终止,即它的下一个结点为null
        * 此时slow在链表的中间结点*/
        while (fast.next != null && fast.next.next != null) {
            slow = slow.next;
            fast = fast.next.next;
        }
        return slow;
    }


    public ListNode reverseList(ListNode head) {
        ListNode currNode = head;
        ListNode preNode = null;
        while (currNode != null) {
            ListNode nextNode = currNode.next;
            currNode.next = preNode;
            preNode = currNode;
            currNode = nextNode;
        }
        return preNode;
    }

    public Boolean equals(ListNode head1, ListNode head2) {
        while (head2 != null) {
            if (head1.val != head2.val) {
                return false;
            }
            head1 = head1.next;
            head2 = head2.next;
        }
        return true;
    }
}

复杂度分析
在这里插入图片描述

假设l链表长度为n

时间复杂度:

最初需要遍历把链表划分为两半,时间复杂度为O(n),在反转后一段链表时,时间复杂度为O(n/2),最后同时遍历两链表时,时间复杂度为O(n/2),故总的时间复杂度为O(n) + 2O(n/2) = O(n)

空间复杂度:

只声明了几个固定的结点,故空间复杂度为O(1)

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

打赏作者

stormzhuo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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