LeetCode刷题小感悟

最近在因面试的需要在LeetCode刷了几天题，记录一下刷题的一些小感悟，方便继续补充和回顾。

一、常用的数据结构

vector、list、stack、queue、map

• 通过下标定位、是线性结构（无限、有序、离散）
• 每个下标只能存储一个单位的数据
• 常用的STL方法：
  1. 排序 sort(vec.begin()+i, vec.end());
  2. 二分查找 binary_search(vec.begin(), vec.end(), s);二分查找要求数组必须是有序数组。

tree

• 对于n中选择的结构，可以用来表示n中选择条件，也可用来存储2^n的中间数据。

• 使用树作为数据结构的算法可能是不稳定的。

network、digraph、undigraph

• 图是可以使用nxn的矩阵表示
• 图也可以使用vector实现矩阵

二、算法的基础概念

• 算法空间：算法空间就是处理一个算法所需要的变量或空间，可以使用变量、线性表、矩阵、图等方式存储。

• 局部解：对于算法，最容易获取到的就是一个局部的解，一般一个解包含以下属性：

  1. 问题域：此临时解所涉及到的数据
  2. 参数：此临时解如果可以使用函数唯一的标识，那么此函的参数就是此解的参数
  3. 结果：此临时解获得的最终值
  4. 复杂度：此临时解的时间空间复杂度

  一般局部解可以使用如下两种方法表示
  $$\begin{gathered} f(ret,i,j,...) \\ ret=f(i,j,...) \end{gathered}$$
  其中ret为函数的返回值，i，j等为函数的参数。

• 算法的最终解：获取算法的最终解可能包含两种方法，一种是直接获取每一项的最终解，另一种是逐步优化所有的解，同步推导处所有的解。

• 在算法中，有两种问题需要解决

  • 算法的逻辑
    1. 对于一个问题，可能会存在一个暴力解法，如果能暴力算法能够直接标示，则计算出该算法的时间复杂度。
    2. 如果时间复杂度满足要求，则不需要再考虑新的优化方案，如果理论上有更好的算法，能够减少时间复杂度，则可以再剩余的时间中考虑时间复杂度更少的方案出来。尽量避免上来就陷入复杂算法的思考中。
    3. 常用的简化算法的步骤要求如下：
       • 充分挖掘隐含条件
       • 动手寻找解的步骤
       • 跳出局部寻找解之间的关系
  • 算法的边界

三、算法结构

• 线性结构

$$fo{r}_{i=0;j=0;..}^{i<n;j<m;...}\{\begin{array}{r}{a}_i{=}^{\prime }空{格}^{\prime };i++;\\ a_i{=}^{\prime }{\ast }^{\prime };b=-1;\{\begin{array}{r}b=0;b=-1;\\ b\ne 0;✓;\end{array}\\ a_i{=}^{\prime }{.}^{\prime };i++;\end{array}$$

一般在草稿纸上验算算法，可以写成如上的结构，主要有for结构和if结构，这两种结构右侧都使用大括号将语句块包含进去，if一般可以省略。

• 递归结构

  递归是一种特殊的算法结构，一般来说，普通的循环对应的结构是线性循环结构循环，递归对应的是非线性循环结构或树状结构。

  线性循环结构公式入下，及不改变参数的函数和对应关系，将f函数运行n次

$$fo{r}_{i=0}^{n}f(i)$$

非线性循环如下，它改变了函数参数的对应关系，例如汉诺塔问题：
$$fo{r}_{i\leftrightarrow j}f(i,j)$$
树状结构一般参数一般由计算出来n个子结点获得，逐步推导出父结点出来：

$$\begin{gathered} f(Gf(i,j),Kf(i,j)) \\ f(i,j)=G(i,j)K(i,j) \end{gathered}$$

递归结构的思考方法如下：

• 从问题规模入手

  如果该问题的解和问题的规模有关，则可以尝试是否能用小规模的解+分类讨论的方法明确更大规模的解，由大及小。

• 从改变参数含义入手

  如果问题的解和问题规模无关，尝试使用相同含义的变量实现从其他值的推导，例如结点、指针等，然后复用已经存在的过程，由小及大。

四、常见算法的使用

经典五大算法包括：分治算法、动态规划、贪心算法、回溯法、分支限界法