2401_85198927的博客

本文讲解了四种股票买卖问题的动态规划解法。1)含冷冻期问题：定义三种状态(买入、可交易、冷冻期)，通过状态转移方程计算最大利润；2)含手续费问题：将状态分为"买入"和"卖出"，在卖出时扣除手续费；3)最多交易两次问题：增加交易次数维度，处理不同交易次数下的状态转移；4)最多交易k次问题：在第三种问题基础上，将交易次数扩展为k次。所有解法都采用动态规划，通过状态转移方程和适当的初始化来计算最大利润，时间复杂度均为O(n)。

《算法的魔法世界》专栏通过四个经典动态规划问题展示了解题思路：1.按摩师问题使用状态转移方程f[i]=g[i-1]+nums[i]和g[i]=max(f[i-1],g[i-1])；2.环形房屋抢劫问题转化为两次线性打家劫舍；3.删除点数问题通过预处理数组转化为类似打家劫舍问题；4.粉刷房子问题通过三维状态表示颜色选择。每个问题都详细分析了状态表示、转移方程和边界条件，提供了完整的Java实现代码，展示了动态规划在优化问题中的灵活应用。

本文介绍了链表算法中的常用技巧和典型例题解析。重点讲解了虚拟头节点、快慢指针等技巧的应用，并通过5道经典题目（两数相加、两两交换节点、重排链表、合并K个有序链表、K个一组翻转链表）详细展示了链表操作的实现方法。每道题目都提供了完整的Java代码实现，包括如何处理边界条件、反转链表的具体步骤以及分治思想的应用。这些例题涵盖了链表操作的核心知识点，对提高链表算法解题能力具有重要指导意义。

《贪心算法：魔法世界中的最优解探索》 贪心算法是一种通过局部最优选择寻求全局最优解的算法策略，其核心在于"活在当下"的决策思路。本文通过四个经典例题展示了贪心算法的实际应用： 柠檬水找零问题中，优先使用10美元找零的策略可确保交易顺利进行； 数组减半问题证明，反复减半当前最大元素是最优操作方案； 最大数构造问题通过自定义排序规则实现最优排列； 摆动序列问题通过识别波峰波谷来获取最长子序列。 每个案例都包含详细的代码实现和数学证明，揭示了贪心算法虽简单但需要严谨验证的特点。这些例题展示了贪

这里与上一题不同的是，上一题的参数是两个整数，这道题是一个二维数组，需要注意下标的映射，原始数组的下标与填表时的下标是[i-1][j-1]。接下来根据最近的一步划分问题，如下图所示，可以从A、B、C到达最后一行，那么此时的最小路径和分别为dp[i-1][j-1](表示为x)、dp[i-1][j](表示为y)、dp[i-1][j+1](表示为z)，到达最后一行的状态表示dp[i][j]为前一个位置的最小路径和再加上它本身，所以状态转移方程为dp[i][j]=min(x,y,z)+matrix[i][j]。

根据前面学过的知识，对一棵二叉搜索树进行中序遍历，得到的结果是一个有序序列，所以我们可以先定义一个全局变量prev，当遍历到某一个节点时，用prev存储前一个节点值，如下图所示，根据中序遍历，当我们遍历到1时，将prev赋值为1，然后进行比较，后面的数如果越来越大，那就是二叉搜索树。当我们遍历到某一节点时，如果发现左右子树均为空，并且节点值为0，那我们就可以把这个节点剪掉。从根节点出发，先去遍历左子树，当遇到叶子节点时，返回该节点的布尔值，然后回溯到它的父亲节点，然后遍历右子树，再回溯父亲节点并遍历自身。

当我们支付cost[i]向后走两步到达i+2位置时，再从i+2位置到达终点，花费为dp[i+2]+cost[n]，所以递推公式为dp[i]=Math.min(dp[i+1],dp[i+2])+cost[i]。而题目也已经将前三个状态给了出来，dp[0]=0、dp[1]=1、dp[2]=1。接着利用之前的状态来推导dp[n]的值，根据最近的一步或者两步来划分问题：先到达dp[n]的前一个位置dp[n-1]，然后支付cost[n-1]走一步，到达dp[n]花费为dp[n-1]+cost[n-1]；

递归与循环一样，都是去执行相同的子问题，那么二者之间是可以相互转化的，那么我们什么时候用循环迭代效率更好，什么时候用递归效率更高。如下图所示，递归的细节展开图与二叉树的深搜极其相似。我们要想将递归转化为循环的话，就得借助栈来实现，因为当我们遍历一个子问题，我们需要保存上一个的信息方便调用方法执行右侧。但一个递归的细节展开图越复杂时，用递归就比较好解决；如果展开图只有一个分支，用循环迭代就比较方便。

如果p1所指的元素比p2所指的元素大，那么p1后面的元素就都是比p2大，就可以快速的统计出数目，然后再让p2++。找完右区域的逆序对，然后对右区域进行排序。方法2也同理，如果nums[p1]>= nums[p2]，就让p1向右移动，直到nums[p1]<nums[p2]，再让p2向右移动，p1同样不用回退。当我们在左右区域里面分别寻找逆序对时，如果数组长度较大，那么我们还可以再接着划分，继续按照上面的思路来找出逆序对的总数，这个部分就可以在递归中完成，所以我们在处理一左一右时也可以排个序。

接下来进行分类讨论：如果nums[i]=0，我们让nums[left+1]与nums[i]进行交换，然后i++，left++，就能保证[left+1,i-1]区间还都是1，还可能有一种极端情况，就是i=left+1，自身与自身进行交换，还是得需要left和i++，综上我们就可以写成nums[++left]与nums[i++]进行交换。第二种解法，利用大根堆，创建一个大小为k的大根堆，将数组的前k个元素丢进大根堆中，然后再将数组剩余的元素与堆顶元素比较，如果小就交换并调整堆，最后堆里面就是最小的k个数；

先初始化两个指针left和right，比较left和right是否相等，相等right就向右移动，当right的指向与left不相等时，right就停止，此时的left直接移动到right的位置。我们以示例1为例，先创建一个n行的矩阵，先向下填充，当x=n时，开始右上填充，当x=0时，又开始向下填充……如上图，k后面又是c，我们还需要给c记录上1，而我们要求的是所需不同青蛙的最少数目，所以我们从k里面借一个1，再去遍历最后一个"croak"，最终k里面存的就是最终结果。当遍历到c时，哈希表中c加1。

本文介绍了位运算的基础知识及其应用，包括6种位运算操作（与、或、异或、取反、左移、右移）的具体用法和运算规律。通过多个编程例题（如判定字符唯一性、寻找丢失数字、两数之和、只出现一次的数字等）详细讲解了位运算的解题思路和代码实现。重点阐述了利用位运算替代哈希表、高斯求和等传统方法，以及如何通过异或运算的特性高效解决问题。文章还提供了位运算的优先级建议和实用技巧，展示了位运算在算法优化中的强大功能。

我们先来回顾一下二位前缀和的计算：dp[i][j] = dp[i-1][j] + dp[i][j-1] - dp[i-1][j-1] + mat[i][j]。如果我们要在预处理矩阵dp[x][y]里面里的值，我们需要在mat[x-1][y-1]的位置找，在answer[x+1][y+1]的位置填入。我们先来思考暴力枚举：利用双指针left和right，当right移动到某一个位置时，left与right构成的区间之和为k时，此时right不能停止，数组元素可能为负的，有可能后面还存在和为k的子数组。

A区域的和可以很好的算出来：dp[i-1][j-1]，但是B、C区域的和又不好算了。我们需要求的是某段数组元素的和，那么就可以利用前缀和思想，i左侧的元素之和f(i) = f(i-1) + nums[i-1]，i右侧的元素之和g(i) = g(i+1) + nums[i+1]。第一步，我们先预处理出一个前缀和数组int[] dp，dp[i]代表的是arr数组区间[1,i]的和。而数组dp中每一个元素的算法不用再从头加到尾，直接利用递推公式dp[i] = dp[i-1] + arr[i]。

通过上面的示例1，我们可以很明显地发现“二段性”，左边是严格大于某个值的递增区间，右边是严格小于某个值递增区间，并且数组中没有重复元素，折线表示如下图所示。从上图中我们已经可以看出，数组已经被分成两段，左边是递增的，右边是递减的，符合“二段性”，可以利用二分查找。我们注意一个细节：如果给定的数组为[0,1,2,3]，数组元素与下标都是一一对应的，而缺失的数字为最后一个元素加一。在缺失的数字之前，数组元素与数组下标是一一对应的，到缺失的位置时，缺失的数字比数组元素小1。或者是递增的，或者是递减的。

当x与目标值进行比较时，left可以移动到x右边，那么x的左边已经判断过了都是小于目标值，但右边还是未知的，即使left与right相遇，那这个数依然是未知的。right指针移动的时候，一直是在合法的区间，left一直想要跳出这个不合法的区间，直到两个指针相遇，无需判断，相遇的位置就是我们要找的结果。我们先来思考暴力解法：由于x是非负整数，那么x的平方根定义是小于等于x的。如果x=17，我们可以从1开始向右枚举，如果找到一个数n，n*n小于等于x，且(n+1)*(n+1)大于x，则x的平方根则为n。

只不过这次的count是统计字符的种类，因为在找字母异位词时，子串和字符串是一一对应的关系，这里字符却是大于等于的关系。我们看下图，我们从s中找出一段符合要求的子串，然后让left向后移动一步，此时会出现两种情况，要么缩小的区间还是符合要求，要么不符合要求，我们就让right向右移动，并且在这期间right是不需要回退的。我们还是先来思考一下暴力解法：先定义两个指针，我们以其中一个指针为起点，另一个指针向右移动，找到所有符合条件的子串，从里面挑出最短的长度。进窗口，把s中的字符串丢进哈希表中统计。

因为数组是具有单调性的，两个指针不用回退，就可以省去很多不必要的枚举，让子数组里的元素不停进出，维护更新子数组的和。是不需要的（如下图所示），right要么不动，要么向右移动，此时又符合同向双指针的解法，也就是可以使用滑动窗口。我们取出一段子数组，里面的水果种类kinds恰好为2，此时让left向右移动，会出现两种结果：kinds不变，right也不需要向右移动；“判断”，当子数组的和大于target时（这里不写等于，是为了防止代码书写混乱的），left指针向左移动，完成“出窗口”的操作；

但此时还有一种特殊情况，如果复写之后最后一个元素为零，那么dest就会越界，所以我们还要单独处理一下边界，只需把倒数第二个元素直接复写成零，然后cur向前移动一位，dest向前移动两位。我们先对三元子数组进行去重，当我们left或者是right移动一位所指向的值不变，那么就继续移动，此时我们需要注意指针是否会越界。首先我们依然想到的是先排序，然后暴力枚举，利用三层for循环来判断三数之和是否为零，由于题目不要求输出的顺序和三元组的顺序，所以我们需要对三元组进行去重的操作，那么此时的时间复杂度就是。

本文介绍了双指针算法及其在数组问题中的应用。主要内容包括：1. 双指针算法思想：通过两个指针在数组/链表中高效遍历和操作；2. 典型例题解析：查找两数之和（有序数组）、盛水容器最大面积、移动零元素、有效三角形个数；3. 解题思路：利用数组特性（如单调性、边界条件）优化暴力解法，其中重点讲解了如何通过指针移动和比较来降低时间复杂度。每种解法都附有详细代码实现，展示了如何将双指针技巧具体应用于不同场景。