DAY42:统计前后缀下标Ⅰ+反转链表

今天第一题不是链表的题,本来以为是哈希表的题,但是想到的思路不是哈希表。第二题是原来做过的反转链表,但这次是在力扣做,上次是自己测试,这次是官方的测试,代码也稍有不同。

题目一:统计前后缀下标Ⅰ★★☆☆☆

3042. 统计前后缀下标对 I

给你一个下标从0开始的字符串数组words

定义一个布尔函数isPrefixAndSuffix,它接受两个字符串参数str1str2

  • str1同时是str2的前缀(prefix)和后缀(suffix)时,isPrefixAndSuffix(str1, str2)返回true,否则返回false

例如,isPrefixAndSuffix("aba", "ababa")返回true,因为"aba"既是"ababa"的前缀,也是"ababa"的后缀,但是isPrefixAndSuffix("abc", "abcd")返回false

以整数形式,返回满足i < jisPrefixAndSuffix(words[i], words[j])true的下标对(i, j)数量

我的思路

在函数countPrefixSuffixPairs中遍历words数组,对于每一个符号条件的words[i]和words[j],判断word[i]是否是word[j]的前缀和后缀,如果是count++,遍历结束后,返回count即可。

编写isPrefixAndSuffix(const string& str1,const string& str2)函数,分别判断str1是不是str2的前缀和后缀。前缀:str2的前几个字符需要等于str1;后缀:str2的后几个字符需要等于str1。

注意:在函数isPrefixAndSuffix判断前,需要先做简单的判断:str1和str2是否为空;str1的长度是否小于str2的长度,这两步简单的判断都是特殊情况:一个字符串为空 或 str1长度>str2的长度,str1都不可能str2的前缀和后缀,所以直接返回false

代码

class Solution { public: //判断str1是不是str2的前缀和后缀 //1.注意形参类型 bool isPrefixAndSuffix(const string& str1,const string& str2){ //2.判空 if(str1.size()==0 || str2.size()==0){ return false; } //3.str1更长不可能是str2的前缀和后缀 if(str1.size()>str2.size()){ return false; } //从前遍历str2 //while(str1[i] != '\0'){ for(int i=0,j=0;i<str1.size();i++,j++){ //有个字符不相等→不是前缀→返回false if(str1[i]!=str2[j]){ return false; } } //从后遍历str2 //4.后缀不用将str1倒过来 //while(str1[i] != '\0'){ for(int i=0,j=str2.size()-str1.size();i<str1.size();i++,j++){ //有个字符不相等→不是后缀→返回false if(str1[i]!=str2[j]){ return false; } } return true; } int countPrefixSuffixPairs(vector<string>& words) { int count=0; //数组中元素个数 int n=words.size(); for(int i=0;i<n;i++){ for(int j=i+1;j<n;j++){ bool flag=isPrefixAndSuffix(words[i],words[j]); if(flag){ count++; } } } return count; } };
遇到的错误

1.实参类型和形参类型不匹配:word是string类型的,但是我的形参类型设置为了char*

2.特殊情况没有处理:str1或str2为空、str1长度>str2长度

3.后缀理解错误:理解成了后缀是str1逆置后的,所以判断后缀时的str2的下标从str2,size()-1开始,就造成了错误

4.C++ 的string 不用\0判断结束:用size()更安全

修正

1.形参类型改为string

2.处理特殊情况

3.后缀时的str2的下标从str2,size()-str1.size()开始

复杂度

n为字符串个数,m为最长字符串长度

时间复杂度:O(n²)×O(L)=O(n²×L)。

循环结构的时间复杂度为:O(n²),对于每一个word[i],都要遍历 i 之后的每一个字符串,所以时间复杂度为:O(n+(n-1)+(n-2)+(n-3)+...+2+1)=O(n*(n+1)/2)=O(n²);

函数isPrefixAndSuffix的时间复杂度由str1的长度决定:O(L1)(L1 是word[ i ] 的长度),最坏情况下,所有字符串的平均长度为 L(比如所有字符串长度都接近 L),因此单次调用的复杂度为 O(L)。

所以总的时间复杂度为O(n²)×O(L)=O(n²×L)。

空间复杂度:O(1)。无额外的动态空间,调用函数也只有一层。

题目二:反转链表

206. 反转链表 给你单链表的头节点head,请你反转链表,并返回反转后的链表。

这里就不赘述思路了,可以去练题100天——DAY37:五子棋项目-CSDN博客看详细的思路。

方法一:“头插”法

class Solution { public: ListNode* reverseList(ListNode* head) { //使用头插法 //1.记录头结点 //2.用另两个结点保存头结点的后面两个结点 //3.将链表置空 //4.将结点依次使用头插法加入链表 //判断链表是否为空/只有一个结点 if(head==nullptr||head->next==nullptr){ return head; } ListNode* prehead=new ListNode(0,head); ListNode* p=head->next; ListNode* q=p->next; head->next=nullptr; while(p!=nullptr){ p->next=prehead->next; prehead->next=p; p=q; if(q!=nullptr){ q=q->next; } } ListNode* res=prehead->next; delete prehead; return res; } };

方法二:三指针法

class Solution { public: ListNode* reverseList(ListNode* head) { //三指针法 //判断链表是否为空/只有一个结点 if(head==nullptr||head->next==nullptr){ return head; } ListNode* p=head; ListNode* q=p->next; ListNode* r=q->next; //头结点指向空 p->next=nullptr; while(q!=nullptr){ q->next=p; p=q; q=r; if(r!=nullptr){ r=r->next; } } return p; } };

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/1215542.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

大语言模型(LLM)学习原理深度解析:从超级学生到词语社交网络

文章将大语言模型比喻为"超级学生"&#xff0c;通过三步学习&#xff1a;1)词元化将文字转为数字编码&#xff1b;2)建立词语社交网络&#xff0c;统计词语间关联强度&#xff1b;3)玩文字接龙游戏预测最可能的下一个词。LLM学习的是语言模式和思维方式而非固定答案&…

程序员必看!LoRA大模型微调技术详解:从概念到实践的收藏级教程

文章介绍LoRA技术通过低秩分解模拟参数变化&#xff0c;冻结预训练模型参数只训练少量新增矩阵&#xff0c;实现高效微调。详细解释了LoRA的概念、特点、优缺点&#xff0c;以及训练过程中的参数选择&#xff08;如rank、alpha&#xff09;和技巧。LoRA具有节省存储、不增加推理…

强烈安利8个AI论文网站,继续教育学生搞定论文必备!

强烈安利8个AI论文网站&#xff0c;继续教育学生搞定论文必备&#xff01; AI 工具让论文写作不再难 在当今这个信息爆炸的时代&#xff0c;继续教育学生面临着越来越高的学术要求。无论是撰写毕业论文还是完成研究项目&#xff0c;都需要大量的时间和精力。而随着 AI 技术的不…

2025最新大模型面试经验汇总+全套学习资源,小白到大神的进阶之路

新大模型面试经验汇总全套学习资源&#xff0c;小白到大神的进阶之路 文章汇总了多家科技公司的大模型(LLM)相关面试经验&#xff0c;包括字节跳动、网易伏羲、好未来等公司的面试问题和回答。同时提供了一套系统的大模型学习路线图&#xff0c;从基础概念理解到API应用开发&a…

基于时空异质性与跨模式交互的多模式交通需求预测:元学习方法详解

本文提出MMDNet模型&#xff0c;通过时空异质性元参数学习和多模式统一图生成两个核心模块&#xff0c;解决多模式交通需求预测中的异质性和交互建模问题。实验表明&#xff0c;该模型在三个城市数据集上提升预测性能6.65%&#xff0c;并展现出强大的跨城市泛化能力&#xff0c…

转行AI的工程师看过来:Transformer+注意力机制详解,手写可运行PyTorch代码

本文面向想转行AI的软件工程师&#xff0c;从工程视角讲解Transformer与注意力机制的核心原理。通过代码搜索比喻解释Self-Attention的Q/K/V机制&#xff0c;详述Multi-Head Attention、位置编码及编码器层结构&#xff0c;并提供可运行的极简版PyTorch实现。文章对比了BERT与G…

CST License(Flexnet)设置与问题处理方法 - 详解

pre { white-space: pre !important; word-wrap: normal !important; overflow-x: auto !important; display: block !important; font-family: "Consolas", "Monaco", "Courier New", …

AI大模型面试宝典:全面解析大模型技术,助你轻松应对各类面试问题

本文系统梳理了AI大模型开发技术的面试要点&#xff0c;涵盖增量预训练、知识蒸馏、推理加速等多个维度&#xff0c;并提供七阶段学习路线图及视频教程、电子书、面试题等资源&#xff0c;帮助程序员系统掌握大模型技术&#xff0c;提升面试竞争力。AI 大模型技术经过2025年的狂…

大模型时代,构建高质量数据基础设施的五大关键

随着大模型与智能体兴起&#xff0c;传统数据基础设施面临体系性变革&#xff0c;高质量数据价值凸显。未来AI将从"生成内容"转向"解决复杂问题"&#xff0c;数据需具备实时性、一致性和可解释性。产业应构建"用户反馈-场景数据-模型迭代"闭环&a…

安全工具篇魔改二开CS消除流量特征Profile请求个性主题反编译去暗桩

免杀对抗——第一百六十三天 安全工具篇&魔改二开CS&消除流量特征&Profile请求&个性主题&反编译去暗桩 前置知识 今天是关于CS免杀的部分&#xff0c;之前都是针对生成的木马进行免杀&#xff0c;但是在反连的过程中&#xff0c;我们的流量也是有特征的…

为什么程序员都在学大模型?掌握未来AI核心技术的全面指南

大模型已成为AI变革核心引擎&#xff0c;深入各行各业。掌握RAG、AI Agent等技术的人才需求旺盛&#xff0c;薪资优厚。开源生态如DeepSeek、通义千问为学习者提供绝佳机会。"大模型之心Tech"社区提供全栈学习路线、技术交流和求职资源&#xff0c;帮助小白入门、进阶…

LLM微调终极指南:第七阶段监控与维护,让AI模型永不失控!【必收藏】

LLM微调第七阶段聚焦监控与维护&#xff0c;构建三层架构与五条监控链路&#xff0c;涵盖性能、内容、漂移、Agent行为、反馈闭环及版本控制六大子系统&#xff0c;确保模型长期稳定、安全、可演进。通过持续监控与反馈闭环实现"数据→模型→服务→反馈→再进化"的完…

【2026全网首发】AI智能体完全指南:面试必备+大模型开发实战+学习资源全解析

本文系统介绍AI智能体的核心概念、架构设计与实战应用&#xff0c;涵盖与普通大模型调质的本质区别、ReAct模式、工具调用机制、记忆系统设计等关键技术。同时提供大模型学习路线图、行业报告、面试真题等丰富资源&#xff0c;帮助读者从基础到进阶系统掌握AI智能体开发&#x…

【大学院-筆記試験練習:线性代数和数据结构(16)】

大学院-筆記試験練習&#xff1a;线性代数和数据结构&#xff08;16&#xff09; 1-前言2-线性代数-题目3-线性代数-参考答案4-数据结构-题目5-数据结构-参考答案中文解释&#xff08;题意&#xff09;日语答案&#xff08;1&#xff09;&#xff08;2&#xff09;&#xff08;…

生物医学研究新利器:自我进化LLM智能体架构与实战

STELLA是一个专为生物医学研究设计的自我进化AI智能体系统&#xff0c;通过四大智能体协同工作&#xff0c;实现动态扩展工具库和可进化推理模板库。在多个生物医学基准测试中表现优异&#xff0c;准确率随使用经验提升近一倍。该系统能加速科学发现&#xff0c;降低技术门槛&a…

【必藏】大模型入门指南:从成本到架构的全景解析,程序员小白必看

本文解析了大模型基础知识&#xff0c;包括高昂训练成本(13B模型需40万美元)、Transformer架构原理、不同语言tokenization效率差异、LLaMA架构优势、反向传播训练过程及高质量数据的重要性。强调对话能力源于文本补全&#xff0c;可通过外部知识库减少幻觉。指出虽然大模型为何…

小白也能学会!本地大模型全部署教程(Mac+Win)

本文详细介绍了使用Ollama工具在Mac和Windows系统上本地部署大模型的完整教程&#xff0c;无需编程基础即可操作。文章解释了本地部署的优势&#xff08;隐私保护、断网可用、不触发屏蔽词等&#xff09;&#xff0c;提供了两种部署方式的详细步骤&#xff0c;比较了本地与云端…

无监督配准

基于你提供的搜索结果&#xff0c;我为你整理了关于深度学习在有监督配准与无监督配准方面的对比分析。这涵盖了定义、特点、方法及效果的详细对比。 核心定义与区别 在深度学习应用于图像配准&#xff08;尤其是医学图像&#xff09;的领域中&#xff0c;有监督学习和无监督…

ENSP Pro LAB笔记:配置M-LAG双归接入三层网络(V-STP + Monitor Link + OSPF)

1. 前言 在现代数据中心和园区网络的高可靠性设计中&#xff0c;M-LAG&#xff08;Multichassis Link Aggregation Group&#xff0c;跨设备链路聚合组&#xff09; 已经成为主流技术。它允许将两台物理交换机虚拟成一台逻辑交换机&#xff0c;从而实现跨设备的链路聚合。 本文…

救命神器!MBA开题报告必备TOP8 AI论文平台深度测评

救命神器&#xff01;MBA开题报告必备TOP8 AI论文平台深度测评 2026年MBA开题报告AI平台测评&#xff1a;为何需要这份深度榜单 MBA学生在撰写开题报告时&#xff0c;常常面临选题方向不清晰、文献资料繁杂、逻辑框架难构建等挑战。随着AI技术的不断进步&#xff0c;越来越多的…