- 博客(41)
- 收藏
- 关注
RSS订阅原创 深入剖析字节跳动近几年笔试算法题
例如，在一些复杂的动态规划问题中，状态定义和状态转移方程的推导较为困难，需要应聘者对问题进行细致的分析和抽象。还有一些与实际场景结合紧密的题目，如字节电商货物装载问题，给定多个包裹的重量与运费，选择总重不超过一定限制且运费最大的组合，这不仅考查算法知识，还要求应聘者能够将实际问题转化为数学模型，并运用合适的算法求解。例如，在旅行者穿越沙漠的补给次数问题中，旅行者在穿越沙漠时需在绿洲补给站补充水分，每个补给站有距离起点的位置和可提供的水量，题目要求用最少的补给次数到达终点。刷题是提高算法能力的有效方法。
2025-06-09 13:04:47
713
原创 深入剖析字节跳动近几年笔试算法题9
例如，在一些复杂的动态规划问题中，状态定义和状态转移方程的推导较为困难，需要应聘者对问题进行细致的分析和抽象。还有一些与实际场景结合紧密的题目，如字节电商货物装载问题，给定多个包裹的重量与运费，选择总重不超过一定限制且运费最大的组合，这不仅考查算法知识，还要求应聘者能够将实际问题转化为数学模型，并运用合适的算法求解。例如，在旅行者穿越沙漠的补给次数问题中，旅行者在穿越沙漠时需在绿洲补给站补充水分，每个补给站有距离起点的位置和可提供的水量，题目要求用最少的补给次数到达终点。刷题是提高算法能力的有效方法。
2025-06-09 13:04:07
365
原创 深入剖析字节跳动近几年笔试算法题8
例如，在一些复杂的动态规划问题中，状态定义和状态转移方程的推导较为困难，需要应聘者对问题进行细致的分析和抽象。还有一些与实际场景结合紧密的题目，如字节电商货物装载问题，给定多个包裹的重量与运费，选择总重不超过一定限制且运费最大的组合，这不仅考查算法知识，还要求应聘者能够将实际问题转化为数学模型，并运用合适的算法求解。例如，在旅行者穿越沙漠的补给次数问题中，旅行者在穿越沙漠时需在绿洲补给站补充水分，每个补给站有距离起点的位置和可提供的水量，题目要求用最少的补给次数到达终点。刷题是提高算法能力的有效方法。
2025-06-09 13:03:37
412
原创 深入剖析字节跳动近几年笔试算法题7
例如，在一些复杂的动态规划问题中，状态定义和状态转移方程的推导较为困难，需要应聘者对问题进行细致的分析和抽象。还有一些与实际场景结合紧密的题目，如字节电商货物装载问题，给定多个包裹的重量与运费，选择总重不超过一定限制且运费最大的组合，这不仅考查算法知识，还要求应聘者能够将实际问题转化为数学模型，并运用合适的算法求解。例如，在旅行者穿越沙漠的补给次数问题中，旅行者在穿越沙漠时需在绿洲补给站补充水分，每个补给站有距离起点的位置和可提供的水量，题目要求用最少的补给次数到达终点。刷题是提高算法能力的有效方法。
2025-06-09 13:03:06
376
原创 深入剖析字节跳动近几年笔试算法题6
例如，在一些复杂的动态规划问题中，状态定义和状态转移方程的推导较为困难，需要应聘者对问题进行细致的分析和抽象。还有一些与实际场景结合紧密的题目，如字节电商货物装载问题，给定多个包裹的重量与运费，选择总重不超过一定限制且运费最大的组合，这不仅考查算法知识，还要求应聘者能够将实际问题转化为数学模型，并运用合适的算法求解。例如，在旅行者穿越沙漠的补给次数问题中，旅行者在穿越沙漠时需在绿洲补给站补充水分，每个补给站有距离起点的位置和可提供的水量，题目要求用最少的补给次数到达终点。刷题是提高算法能力的有效方法。
2025-06-09 13:02:31
373
原创 深入剖析字节跳动近几年笔试算法题5
例如，在一些复杂的动态规划问题中，状态定义和状态转移方程的推导较为困难，需要应聘者对问题进行细致的分析和抽象。还有一些与实际场景结合紧密的题目，如字节电商货物装载问题，给定多个包裹的重量与运费，选择总重不超过一定限制且运费最大的组合，这不仅考查算法知识，还要求应聘者能够将实际问题转化为数学模型，并运用合适的算法求解。例如，在旅行者穿越沙漠的补给次数问题中，旅行者在穿越沙漠时需在绿洲补给站补充水分，每个补给站有距离起点的位置和可提供的水量，题目要求用最少的补给次数到达终点。刷题是提高算法能力的有效方法。
2025-06-09 12:59:56
706
原创 深入剖析字节跳动近几年笔试算法题4
例如，在一些复杂的动态规划问题中，状态定义和状态转移方程的推导较为困难，需要应聘者对问题进行细致的分析和抽象。还有一些与实际场景结合紧密的题目，如字节电商货物装载问题，给定多个包裹的重量与运费，选择总重不超过一定限制且运费最大的组合，这不仅考查算法知识，还要求应聘者能够将实际问题转化为数学模型，并运用合适的算法求解。例如，在旅行者穿越沙漠的补给次数问题中，旅行者在穿越沙漠时需在绿洲补给站补充水分，每个补给站有距离起点的位置和可提供的水量，题目要求用最少的补给次数到达终点。刷题是提高算法能力的有效方法。
2025-06-09 12:59:24
306
原创 深入剖析字节跳动近几年笔试算法题3
例如，在一些复杂的动态规划问题中，状态定义和状态转移方程的推导较为困难，需要应聘者对问题进行细致的分析和抽象。还有一些与实际场景结合紧密的题目，如字节电商货物装载问题，给定多个包裹的重量与运费，选择总重不超过一定限制且运费最大的组合，这不仅考查算法知识，还要求应聘者能够将实际问题转化为数学模型，并运用合适的算法求解。例如，在旅行者穿越沙漠的补给次数问题中，旅行者在穿越沙漠时需在绿洲补给站补充水分，每个补给站有距离起点的位置和可提供的水量，题目要求用最少的补给次数到达终点。刷题是提高算法能力的有效方法。
2025-06-09 12:58:30
407
原创 深入剖析字节跳动近几年笔试算法题2
例如，在一些复杂的动态规划问题中，状态定义和状态转移方程的推导较为困难，需要应聘者对问题进行细致的分析和抽象。还有一些与实际场景结合紧密的题目，如字节电商货物装载问题，给定多个包裹的重量与运费，选择总重不超过一定限制且运费最大的组合，这不仅考查算法知识，还要求应聘者能够将实际问题转化为数学模型，并运用合适的算法求解。例如，在旅行者穿越沙漠的补给次数问题中，旅行者在穿越沙漠时需在绿洲补给站补充水分，每个补给站有距离起点的位置和可提供的水量，题目要求用最少的补给次数到达终点。刷题是提高算法能力的有效方法。
2025-06-09 12:57:57
285
原创 深入剖析字节跳动近几年笔试算法题1
在科技行业飞速发展的当下，字节跳动作为全球知名的互联网企业，其招聘标准备受关注。对于技术岗位而言，笔试算法题是筛选人才的关键环节，不仅能考察应聘者的数据结构与算法知识，还能检验其逻辑思维、问题解决能力以及代码实现水平。接下来，让我们一同深入分析字节跳动近几年的笔试算法题。一、题型与知识点分布（一）数据结构相关1. 数组与链表：数组相关题目常涉及元素查找、排序以及子数组问题。例如，给定一个整数数组，找出和为特定值的两个元素的索引，这类题目考查对数组遍历和哈希表辅助查找的运用 。链表题目则侧重于链表的基本操作，
2025-06-09 12:57:24
286
原创 动态规划算法的应用深度剖析15
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:29:54
655
原创 动态规划算法的应用深度剖析14
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:29:17
1372
原创 动态规划算法的应用深度剖析13
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:28:46
665
原创 动态规划算法的应用深度剖析12
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:28:13
1405
原创 动态规划算法的应用深度剖析11
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:27:42
612
原创 动态规划算法的应用深度剖析10
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:27:12
551
原创 动态规划算法的应用深度剖析9
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:26:03
622
原创 动态规划算法的应用深度剖析8
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:25:32
713
原创 动态规划算法的应用深度剖析7
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:25:02
531
原创 动态规划算法的应用深度剖析6
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:24:31
589
原创 动态规划算法的应用深度剖析5
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:23:59
491
原创 动态规划算法的应用深度剖析4
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:23:15
1190
原创 动态规划算法的应用深度剖析3
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:22:44
555
原创 动态规划算法的应用深度剖析2
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:22:13
486
原创 动态规划算法的应用深度剖析1
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i])（当w[i] ≤ j时，比较放入和不放入该物品的价值，取较大值）。状态定义与0 - 1背包类似，但状态转移方程有所不同，为dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i])，这里dp[i][j - w[i]]表示放入第i个物品后剩余容量j - w[i]的最大价值，因为物品可重复放入，所以是dp[i]而非dp[i - 1]。
2025-06-06 10:21:43
538
原创 动态规划算法进阶：有代价的最短路径问题研究
传统最短路径问题（如Dijkstra算法）假设边权为固定值，而有代价的最短路径问题引入动态代价——边权可能随状态（如访问次数、时间窗口）变化。◦ 若到达节点u的代价c1大于同节点的另一代价c2（c1≥c2），则状态dp[u][c1]可丢弃。设dp[i][c]表示到达节点i时已消耗代价c的最短路径长度，其中c为代价维度（如时间、电量）。dp[j][c+w] = min(dp[j][c+w], dp[i][c] + 边权)◦ 初始状态dp[src][0] = 0，其余dp[i][c] = +∞。
2025-06-05 17:55:13
375
原创 动态规划之状态压缩：瓷砖覆盖问题深度探讨
◦ 对于i>1，遍历所有合法状态s1（第i-1行）和s2（第i行），若s1 & s2 == 0（无重叠）且s1 | s2全1（填满两行），则dp[i][s2] += dp[i-1][s1]。1. 状态表示：用二进制数表示一行的覆盖状态，1表示该位置被覆盖，0表示未覆盖。1. 状态定义：dp[i][s]表示前i行用状态s覆盖第i行的方案数，n为列数。◦ 当i=1时，合法状态s只能是全1（11...1），dp[1][s]=1。◦ 例如，m=3时，状态101表示第1、3列被覆盖，第2列未覆盖。
2025-06-05 17:54:40
282
原创 用动态规划解决实际问题：工作量划分案例分析
min(dp[i-1][j-1], prefix_sum[i]) # 分配给前j-1人中的某一位。◦ 任务需在指定时间段内完成，状态扩展为dp[i][j][t]表示前i项分配给j人且当前时间为t的最小工作量。max(dp[i-1][j], tasks[i-1]), # 分配给第j人。dp[i][j] = min(max(dp[i-1][j], sum_{前i项分配给k的任务耗时}))设dp[i][j]表示前i项任务分配给j名员工时的最小最大工作量，同时记录每项任务的分配归属。
2025-06-05 17:54:09
556
原创 动态规划新思路：三路取苹果问题的创新解法
在传统取苹果问题基础上拓展：三维网格中，从起点(0,0,0)到终点(n-1,n-1,n-1)，每次可沿x/y/z轴正方向移动一格，路径上的苹果可收集。1. 状态抽象：设dp[x][y][z]表示到达(x,y,z)时收集的最大苹果数，其中x+y+z = k（k为步数）。扩展至四维空间(x,y,z,w)，状态定义为dp[x][y][z][w]，转移时考虑四个方向，复杂度呈指数增长。利用x+y+z=k的特性，用三维数组dp[k][x][y]替代四维状态，其中z = k - x - y。
2025-06-05 17:53:38
433
原创 《网络诊断中数据预处理技术对故障识别准确率的影响研究》
网络诊断依赖流量、日志等数据的质量，但实际场景中数据常存在噪声（如采样误差）、缺失（如设备故障导致日志丢失）、不一致（如跨设备时间戳偏差）等问题。◦ 跨层数据关联：结合网络层元数据（如TLS握手时间、包间隔）弥补载荷缺失，提升加密流量预处理质量（如SSL流量的异常识别率从65%升至79%）。◦ 数据增强对稀有故障（如Botnet攻击，样本占比<5%）的识别率提升最明显（从68%升至89%）。│ （自动识别数据质量）│────►│ （根据场景调用策略）│────►│ （准确率反哺策略优化）│。
2025-06-05 17:50:58
351
原创 《量子通信网络的链路诊断方法及安全性能优化》
量子通信凭借量子密钥分发（QKD）技术实现理论上无条件安全的信息传输，但链路中的光子损耗（如光纤弯曲导致衰减>0.5dB/km）、偏振模色散（PMD）、背景光干扰等问题，会导致量子比特误码率（QBER）升高，甚至破坏密钥分发的安全性。传统经典网络诊断方法无法适应量子链路的量子态特性（如不可克隆原理限制直接测量），亟需构建基于量子物理特性的链路诊断体系，解决量子通信网络的实时故障检测与安全性能保障问题。│ （密钥安全评估）│────►│ （QBER分析+偏振校准）│────►│ （单光子探测器+偏振仪）│。
2025-06-05 17:50:21
425
原创 《车联网动态拓扑下的网络实时诊断协议设计》
车联网（V2X）中车辆高速移动（时速>120km/h）与节点动态加入/离开，导致网络拓扑秒级变化（如密集车流中节点平均连接时长<5s），传统固定拓扑诊断协议（如ICMP）因握手时延高（>100ms）、拓扑更新滞后，无法适应“低时延、高可靠”的诊断需求（如自动驾驶要求故障诊断时延<5ms）。在5.9GHz频段（5725-5850MHz）划分10个跳频信道，诊断帧按“伪随机+速度关联”跳频（如车速>80km/h时，跳频间隔从10ms缩短至5ms），抵抗同频干扰（如 roadside unit的信号冲突）。
2025-06-05 17:49:51
315
原创 《网络诊断技术在智慧医疗中的应用：架构、挑战与解决方案》
智慧医疗依赖远程手术、实时心电监测等高可靠性网络业务（如远程手术要求时延<20ms、丢包率<0.01%），但医疗场景存在电磁干扰（如MRI设备对Wi-Fi的干扰）、移动医护终端频繁切换（如护士站到病房的AP漫游）等特殊挑战。传统网络诊断技术难以满足“诊断误报可能引发医疗事故”的高安全性要求，亟需构建符合医疗行业标准（如HIPAA、ISO 13485）的诊断体系，解决医疗业务连续性与数据安全的双重需求。◦ 边缘诊断节点：在每个病房部署轻量化诊断盒（尺寸10cm×10cm），通过USB接口直连医疗设备；
2025-06-05 17:49:17
348
原创 《深度学习驱动的网络流量异常诊断模型：泛化能力与鲁棒性优化》
深度学习在网络流量异常诊断中展现出高准确率（如对DDoS攻击识别率超95%），但实际部署面临“泛化能力弱”（如训练集与测试集流量分布差异导致误报率飙升）和“鲁棒性不足”（如对抗样本攻击可使模型准确率下降40%）等问题。主动生成对抗样本（如在正常流量中添加精心设计的扰动），训练模型抵抗白盒攻击（如FGSM），使对抗样本误判率从90%降至35%。│ （改进ResNet） │────►│ （领域自适应） │────►│ （对抗训练+不确定性估计）│。3. 小样本场景（100条新型攻击样本）的诊断能力。
2025-06-05 17:48:14
348
原创 动态规划在字符串处理中的应用：字符串相似度分析
◦ 若A[i-1] == B[j-1]，则dp[i][j] = dp[i-1][j-1]（无需操作）；4. 初始化：dp[i][0]=i（删除i个字符），dp[0][j]=j（插入j个字符）。A="kitten"，B="sitting"，编辑距离为3（替换k→s，删除e，插入i）。2. 状态矩阵构建：设dp[i][j]表示A前i个字符与B前j个字符的编辑距离。dp[i-1][j-1] # 替换A[i-1]为B[j-1]◦ 状态dp[i][j]表示A前i个字符与B前j个字符的公共子串数。
2025-06-05 13:36:16
431
原创 动态规划技巧揭秘：矩阵链乘法问题求解思路
例如，矩阵维度3×100、100×2、2×200，按(A₁A₂)A₃需3×100×2 + 3×2×200=1800次运算，而A₁(A₂A₃)需100×2×200 + 3×100×200=80000次运算。给定n个矩阵构成的链[A₁, A₂, ..., Aₙ]，其中Aᵢ的维度为pᵢ₋₁×pᵢ，求计算矩阵链乘积A₁A₂...Aₙ的最小乘法运算次数。当dp[i][k] + dp[k+1][j] + pᵢ₋₁×pₖ×pⱼ为当前最小值时，更新split[i][j] = k。三、优化策略：记录最优分割点。
2025-06-05 13:35:43
566
原创 动态规划常见题型：最大子序列积问题分析
◦ min_dp[i] = min(nums[i], min_dp[i - 1] * nums[i]) ，同理，要么以nums[i]单独作为一个子序列，要么将nums[i]加入到以nums[i - 1]结尾的最小子序列中。◦ max_dp[i] = max(nums[i], max_dp[i - 1] * nums[i]) ，即要么以nums[i]单独作为一个子序列，要么将nums[i]加入到以nums[i - 1]结尾的最大子序列中。• max_dp[i]表示以nums[i]结尾的最大子序列乘积。
2025-06-05 13:35:00
383
原创 深入理解动态规划：医疗队分配问题的解法思路
◦ 分配到第j个地区，此时dp[i][j] = dp[i - 1][j - 1] + effect[i][j] ，其中effect[i][j]表示第i支医疗队分配到第j个地区产生的救援效果，dp[i - 1][j - 1]表示将前i - 1支医疗队分配到前j - 1个地区的最大效果。不过，通过滚动数组优化，可以将空间复杂度降低到O(m) ，因为dp[i][j]的值只依赖于dp[i - 1][j - 1]和dp[i][j - 1]。• 当j = 0时，即没有地区需要分配医疗队，dp[i][0] = 0。
2025-06-05 13:34:28
465
原创 动态规划实战：计算K站中转内最便宜的航班
◦ 遍历所有航线(j→i, price)，更新curr_dp[i] = min(curr_dp[i], prev_dp[j] + price)；若无法到达则返回-1。◦ k=1时，dp[1][2] = min(dp[0][0]+500, dp[0][1]+100) = 200。1. 带价格上限的中转问题：增加状态dp[k][i][p]表示k次中转到i且价格≤p的可行性，用布尔值存储。◦ 初始条件：dp[0][src] = 0（0次中转到达起点价格为0），其余dp[0][i] = +∞；
2025-06-05 13:31:19
505
原创 动态规划核心思路：最长回文子序列求解方法
不过，通过观察可以发现，dp[i][j]的值只依赖于dp[i + 1][j - 1]、dp[i][j - 1]和dp[i + 1][j] ，所以可以使用滚动数组优化，将空间复杂度降低到O(n)。= s[j]时：此时，最长回文子序列要么在从i到j-1的子串中，要么在从i+1到j的子串中，所以dp[i][j] = max(dp[i][j - 1], dp[i + 1][j])。对于最长回文子序列问题，我们定义一个二维数组dp，其中dp[i][j]表示字符串s中从索引i到索引j的子串的最长回文子序列长度。
2025-06-05 13:30:40
508
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人