2301_80224556的博客

【代码】快速幂算法。

红⿊树(简称RBT)，也是⼀棵⼆叉搜索树。它是在搜索树的基础上，使每个结点上增加⼀个存储位表⽰ 结点的颜⾊，可以是Red或者Black，通过对任意⼀条从根到叶⼦的路径上各个结点着⾊⽅式的限 制，确保没有⼀条路径会⽐其他路径⻓出2倍，因⽽是⼀棵接近平衡的⼆叉搜索树。红⿊树相对于AVL树来说，牺牲了部分平衡性以换取插⼊/删除操作时少量的旋转操作，整体来说性能 要优于AVL树。1. 每个结点要么是红⾊要么是⿊⾊；2.根节点和叶⼦结点（这⾥的叶⼦结点不是常规意义上的叶⼦结点，⽽是空结点，如下图中的NIL）

或者根据具体应用场景进行特殊处理。我们假设a数组是我们的原数组，其有效元素从下标1开始，我们的差分数组d的计算过程如下。

当处理到第。

是的，所以我们上面也说了： Bellman-Ford算法是比较暴力的把所有的边都更新（即先后对所有的顶点的相邻顶点进行松弛），而不像Dijkstra算法的贪心那样每次选的都是最短的，也因此它一遍过后可能得不出最短的路径，可能需要进行多次迭代。

用unordered_map就比较万能了，完全像刚才想象出来的邻接表结构，我们这里是一个int的数后面挂了一个int数组，那不就和一个节点挂着一个节点的效果一样的吗。我们可以把给的信息抽象称一张有向图，题目问能否完成所有课程学习意思就是能不能把这个课程排个序，说白了就是能否拓扑排序，能否拓扑排序也就是是否这个图是否是有向无环图 —> 有向图中是否有环？，有向图就是边都是有方向的。直接对图来一次拓扑排序，当拓扑排序过程中发现没有入度为0的点的时候，但是图中还有剩余点的时候，此时这个图中一定会有环形结构。

对一个具有 n 个点的连通图进行遍历，对于遍历后的子图，其包含原图中所有的点且保持图连通，最后的结构一定是一个具有 n-1 条边的树，通常称为生成树。说白了，就是有n个结点，但是只有n-1条边，并且这n个结点是连通的。

两个⾜够⼤的数组，⼀个⽤来存数据，⼀个⽤来存下⼀个结点的位置变量 h ，充当头指针，表⽰头结点的位置变量 id ，为新来的结点分位置注意我们这里是有一个头结点的（即h和id所指的位置）int h;// 头指针int id;// 下⼀个元素分配的位置// 数据域和指针域// 下标0位置作为哨兵位// 其中ne数组全部初始化为0，其中ne[i] = 0就表⽰空指针，后续没有结点// 当然，也可以初始化为- 1作为空指针，看个⼈爱好/*

Trie树，又叫字典树前缀树（Prefix Tree）单词查找树或键树，是一种多叉树结构。如下图：上图是一棵Trie树，表示了关键字集合{“a”, “to”, “tea”, “ted”, “ten”, “i”, “in”, “inn”}。根节点不包含字符，除根节点外的每一个子节点都包含一个字符。从根节点到某一个节点，路径上经过的字符连接起来，为该节点对应的字符串。每个节点的所有子节点包含的字符互不相同。通常在实现的时候，会在节点结构中设置一个标志，用来标记该结点处是否构成一个单词（关键字）。

并查集是一种树形数据结构，用于处理一些不相交集合的合并及查询问题。通常是在开始时让每个元素构成一个单元素的集合，然后按一定顺序将属于同一组的元素所在的集合合并，这样就可以查询某个元素所在的集合、与这个元素在一个集合中的元素，以及更多。只说这些肯定不行，接下来我将详细介绍。

单调栈（Monotone Stack）：其实就是一种特殊的栈，只不过在栈的「先进后出」规则基础上，要求「从栈底到栈顶的元素是单调递增（或者单调递减）」。其中满足从栈底到栈顶的元素是单调递增的栈，叫做「单调递增栈」。满足从栈底到栈顶的元素是单调递减的栈，叫做「单调递减栈」。注意：这里定义的顺序是从「栈底」到「栈顶」。有的文章里是反过来的。本文全文以「栈底」到「栈顶」的顺序为基准来描述单调栈。

之前我们遇到数字的时候，遇到的数的时候我们可以使用int来存储，如果说这个数字达到了，那我们可以使用long long来存储。但是要是数值再比这个都大的时候，比如说当数据的数值达到了，这样子我们用什么去存储啊？？？当数据的值特别⼤，各种类型都存不下的时候，此时就要⽤⾼精度算法来计算加减乘除：先⽤字符串读⼊这个数，然后⽤数组逆序存储该数 的每⼀位；利⽤数组，模拟加减乘除运算的过程。⾼精度算法本质上还是模拟算法，⽤代码模拟⼩学列竖式计算加减乘除的过程。

sort在默认的情况下是按照升序排序，如何按照降序排序呢？如果是结构体类型数据进⾏排序呢？怎么办？使⽤⾃定义排序⽅式参数解释：指向要排序范围的第一个元素的迭代器或指针。：指向要排序范围的最后一个元素之后位置的迭代器或指针。：自定义的比较函数或函数对象，用于比较两个元素。sort的第三个参数是⼀个可选的⾃定义⽐较函数（或函数对象），⽤于指定排序的规则。如果不提供这个参数，std::sort默认会使⽤⼩于运算符(<)来⽐较元素，并按照升序排序。这个⽐较函数，接受两个参数，并返回⼀个布尔值。

此外，双向链表还能迅速定位到删除操作后新相邻的元素，便于我们判断它们是否为未出列的异性，并据此更新堆中的配对信息。那我为什么不建一个大根堆，只要我保证这个堆的大小是k，这样子堆顶的元素就会一直是第k小的。由于我们使用的是大根堆，所以20是优先级最高的元素。时间复杂度：由于底层是一个堆结构，所以删除优先级最高的元素的时间复杂度为O(log n)，其中n是优先级队列中的元素数量。所谓第k大，我们完全可以创建一个小根堆，然后保持堆的大小是k，然后这样子就能保证heap.top（）就是第k大的元素了。

贪心算法（Greedy Alogorithm）又叫登山算法，它的根本思想是逐步到达山顶，即逐步获得最优解，是解决最优化问题时的一种简单但是适用范围有限的策略。贪心算法没有固定的框架，算法设计的关键是贪婪策略的选择。贪心策略要无后向性，也就是说某状态以后的过程不会影响以前的状态，至于当前状态有关。贪心算法是对某些求解最优解问题的最简单、最迅速的技术。某些问题的最优解可以通过一系列的最优的选择即贪心选择来达到。但局部最优并不总能获得整体最优解，但通常能获得近似最优解。

其实，根本不需要负的下标，我们根据实际情况来看，如果这个任务的利润已经能够达标了（即使减去当前任务的利润后小于0），我们仅需在之前的任务中挑选出来的利润至少为0就可以了。背包问题其实是动态规划的核心，但是由于背包问题的种类繁多，而且背包问题的难度层次不齐，有的题目已经升级到竞赛难度了，所以我们这里只讲01背包问题和完全背包问题。给你一个“背包”，这个“背包”的体积是V，给你一堆“物品”，这些“物品”每一个都有价值w和体积v，让你选择一些放入“背包”，得到最大（最小）价值。顺序无关是组合问题的一个特点。

来进行分类讨论，以确定状态转移方程。当。

我不知道大家有没有看到上面这个dp[i][j] = dp[i + 1][j - 1]，也就是说dp[i+1][j-1]一定要比dp[i][j]先算出来！我不知道大家有没有看到上面这个dp[i][j] = dp[i + 1][j - 1]，也就是说dp[i+1][j-1]一定要比dp[i][j]先算出来！则我们需要设置另外一个变量j（注意0<j<=i），我们让j从1开始往右边遍历，如果发现【j，i】是回文串，则我们只需要在【0，i-1】区间的基础上加上一刀即可，我们就让dp[i]=dp[j-1]+1。

目录题目一——300. 最长递增子序列 - 力扣（LeetCode）题目二——376. 摆动序列 - 力扣（LeetCode）题目三—— 673. 最长递增子序列的个数 - 力扣（LeetCode）题目四——646. 最长数对链 - 力扣（LeetCode）题目五——1218. 最长定差子序列 - 力扣（LeetCode）题目六——873. 最长的斐波那契子序列的长度 - 力扣（LeetCode）题目七——1027. 最长等差数列 - 力扣（LeetCode）题目八——446. 等差数列划分 II - 子序

两种情况下的最⼤值，就是我们要的结果。但是，由于数组内有可能全部都是负数，第⼀种情况下的结果是数组内的最⼤值（是个负数），第⼆种情况下的 gmin == sum ，求的得结果就会是 0。虽然它没有任何相邻元素来形成翻转的比较符号，但按照题目的要求，我们需要返回一个答案，所以这里返回 1，表示数组中最长的（也是唯一的）“湍流”子数组的长度。nums[i] < 0 时，此时我们要看 g[i-1] 的值（因为负负得正，如果我们知道以 i-1 为结尾的乘积为负数的最长子数组的长度，加上 1 即可）。

上⼀个问题是⼀个「单排」的模式，这⼀个问题是⼀个「环形」的模式，也就是⾸尾是相连的。但是我们可以将「环形」问题转化为「两个单排」问题：首先我们将上面那些整合成一个函数int rob1(vector<int>&nums,int left,int right)

dp[i][j] = min(dp[i - 1][j], min(dp[i - 1][j - 1], dp[i - 1][j + 1])) + matrix[i][j] 这个有越界情况啊。否则，万⼀ 发⽣了溢出，我们的答案就错了。不过注意一下：现在状态转移方程变成了dp[i][j]=max(dp[i-1][j],dp[i][j-1])+frame[i-1][j-1]由于我们要求的是有多少种⽅法，因此状态转移⽅程就呼之欲出了： dp[i][j] =dp[i-1][j] + dp[i][j - 1]。

正常来说，在我们会了单源BFS的使用后，面对多个起点到一个终点的最短路问题也就是多源BFS，我们最先想到的就是暴力做法，也就是将多个起点分成一份份一个起点到一个终点的单源BFS问题，这样我们每个起点到终点的最短路都求出来再找最小值即可，但这种暴力几乎是一定超时的，最差时间复杂度都达到ON^3。用数组表示所连接的节点。这时我们就发现，如果多个起点一块进行BFS搜索，重复的路程不再经过，这时不仅得出的答案正确，而且时间复杂度大大降低，这也就是多源BFS的核心思路，多个起点同时用单源BFS的方法去找最短路。

啥是 FloodFill 算法呢，最直接的一个应用就是「颜色填充」，就是 Windows 绘画本中那个小油漆桶的标志，可以把一块被圈起来的区域全部染色。这种算法思想还在许多其他地方有应用。比如说扫雷游戏，有时候你点一个方格，会一下子展开一片区域，这个展开过程，就是 FloodFill 算法实现的。类似的，像消消乐这类游戏，相同方块积累到一定数量，就全部消除，也是 FloodFill 算法的功劳。通过以上的几个例子，你应该对 FloodFill 算法有个概念了，现在我们要抽象问题，提取共同点。

深度优先遍历主要思路是从图中一个未访问的顶点 V 开始，沿着一条路一直走到底，然后从这条路尽头的节点回退到上一个节点，再从另一条路开始走到底...，不断递归重复此过程，直到所有的顶点都遍历完成，它的特点是不撞南墙不回头，先走完一条路，再换一条路继续走。树是图的一种特例(连通无环的图就是树)，接下来我们来看看树用深度优先遍历该怎么遍历。1、我们从根节点 1 开始遍历，它相邻的节点有 2，3，4，先遍历节点 2，再遍历 2 的子节点 5，然后再遍历 5 的子节点 9。

理解递归，上面的那些题目可不够，必须来看一下二叉树的DFS。深度优先遍历（DFS，全称为DepthFirstTraversal），是我们树或者图这样的数据结构中常⽤的 ⼀种遍历算法。这个算法会尽可能深的搜索树或者图的分⽀，直到⼀条路径上的所有节点都被遍历 完毕，然后再回溯到上⼀层，继续找⼀条路遍历。在⼆叉树中，常⻅的深度优先遍历为：前序遍历、中序遍历以及后序遍历。因为树的定义本⾝就是递归定义，因此采⽤递归的⽅法去实现树的三种遍历不仅容易理解⽽且代码很 简洁。

目录分治 题目一——75. 颜色分类 - 力扣（LeetCode）1.1.三指针解法题目二——912. 排序数组 - 力扣（LeetCode）2.1.数组分三块思想实现快速排序题目三——215. 数组中的第K个最大元素 - 力扣（LeetCode） 3.1.快速选择算法题目四——LCR 159. 库存管理 III - 力扣（LeetCode） 4.1.快速选择算法题目五——912. 排序数组 - 力扣（LeetCode）5.1.归并排序（升序）5.2.归并排序（降序） 题目六——LCR 170. 交易逆序

从这章，我们先讲递归，然后讲搜索，然后再讲回溯算法。

虽然说，我们这里是简单的介绍字符串的题目一般是怎么做，但是不太会深入介绍更多的字符串的算法。

我们这里不讲哈希表的原理那些，如果想要学习其他更多的，去其他地方，这里只讲实用的东西哈希表是什么？就是一个存储数据的容器。哈希表有什么用？可以快速查询某个元素，时间复杂度是O(1).什么时候使用哈希表？我们需要频繁的查询一个数据的时候，我们就得想到使用哈希表。判断某个元素只出现一次的时候，我们就得想到使用哈希表。虽然二分查找也很快，但是它的使用条件太苛刻了。怎么使用哈希表？其实我们在就已经使用过哈希表了！感兴趣的可以去看一下。

通过观察，我们可以发现，当slow指针走一步时，fast指针走一步或是走两步都满足slow指针指向的是已经遍历过的结点的中间结点。也就是slow指针走一步，fast指针最多可以走两步。所以，我们可以遍历。

这个数列的每一项都是根据前一项来生成的，而生成的方式是通过对前一项进行“行程长度编码”（Run-Length Encoding, RLE）。如果说要模拟，我们就得创建一个矩阵，行数是numRows，那列数是字符串的长度m。如果这个差值x>=d的话，那么我们的中毒时间是要全加上的，即ret+=d。所以我们做这种题目的时候，就要先在草稿纸上面先推演一遍我们的算法流程。如果这个差值x<d的话，那么我们的中毒时间，就变成了ret+=x;接着我们是要往右上方移动，也就是x-1,y+1，直到x=0的时候。

于是我们可以像下面这样，一个比特位代表一个字母，这样子我们只要26个比特位就能表示出所有的小写字母，我们让0代表该字母没出现过，1代表该字符出现过。然后，当我们对这个取反后的数加1时，会从最低位（最右侧）开始，遇到第一个0时停止进位，并将这个0及其之后的所有位都设置为1，而之前的所有位都保持不变（但由于是取反后的数，所以它们实际上是原数中对应位置的相反值）。假设我们有一个数 n = 29，并且我们想知道它的二进制表示中的第 x = 3 位（从右向左，从0开始编号）是0还是1。位（从0开始计数）修改成1。

前缀和其实我们很早之前就了解过的，我们求数列的和时，Sn = a1+a2+a3+...an;此时Sn就是数列的前 n 项和。例 S5 = a1 + a2 + a3 + a4 + a5;所以我们完全可以通过 S5-S2 得到 a3+a4+a5 的值，这个过程就和我们做题用到的前缀和思想类似。首先，先记忆下面这两点前缀和是需要借助一个数组的。所以我们需要创建一个数组presum我们的前缀和数组presum[n]里保存的就是原数组nums前 n 项的和。见下图我们通过前缀和数组保存前 n 位的和，

如果「解空间」在从大到小的变化过程中，「判断」答案的结果出现「二段性」，此时我们就可以「二分」这个「解空间」，通过「判断」，找出最优解。因此，在解空间中，根据 ret 的位置，可以将解集分成两部分，具有「二段性」。在解空间中，根据 ret 的位置，可以将解集分成两部分，具有「二段性」，那么我们就可以「二分答案」。在解空间中，根据 ret 的位置，可以将解集分成两部分，具有「二段性」，那么我们就可以「二分答案」。的位置，可以将解集分成两部分，具有「二段性」，那么我们就可以「二分答案」。

我们如果在循环里面判断，就会需要求middle，这个时候middle就不变化，而nums[middle]是符合nums[middle]>=target的，所以会执行right=middle；左边不一定有峰值，右边一定有峰值，这个时候我们应该让mid往右边去靠近，那只能移动left，这个时候nums[mid]绝对不是是右边的峰值，而nums[mid+1]有可能是右边（不包括i）的峰值，所以我们让left=mid+1即可。当我们的数据量很大的时候，这个right+left的时候，是会溢出的。

算法思路由于此问题分析的对象是「一段连续的区间」，因此可以考虑「滑动窗口」的思想来解决这道题。从i位置开始，窗口内所有元素的和小于target（当窗口内元素之和第一次大于等于目标值的时候，就是i位置开始，满足条件的最小长度）。将右端元素划入窗口中，统计此时窗口内元素的和。如果窗口内元素之和大于等于target：更新结果，并将左端元素划出去的同时继续判断是否满足条件并更新结果（因为左端元素可能很小，划出去之后依旧满足条件）。right++，让下一个元素进入窗口。相信科学。

iii. 当 nums[left] + nums[right] > target 时，同理我们可以舍去 nums[right] （最⼩的数都满⾜不了你，你也没救了）。让 组数据，⽽ right-- ，继续⽐较下⼀组，而 left 指针不变（因为他还是可以去匹配⽐ nums[right] 更⼩的数的）。根据「解法⼀」中的优化思想，我们可以固定⼀个「最⻓边」，然后在⽐这条边⼩的有序数组中找 出⼀个⼆元组，使这个⼆元组之和⼤于这个最⻓边。但是这个需要判断三次，如果我们知道三者的大小关系，我们只需判断一次即可。

​。