代码随想录算法训练营第二天

原创已于 2024-05-28 16:01:23 修改 · 618 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #数据结构

于 2024-05-27 15:41:30 首次发布

一、滑动窗口

所谓滑动窗口，就是不断的调节子序列的起始位置和终止位置，从而得出我们要想的结果。

二、题目部分

209. 长度最小的子数组

给定一个含有 n 个正整数的数组和一个正整数 target 。

找出该数组中满足其总和大于等于 target 的长度最小的连续

子数组

[numsl, numsl+1, ..., numsr-1, numsr] ，并返回其长度。如果不存在符合条件的子数组，返回 0 。

示例 1：

输入：target = 7, nums = [2,3,1,2,4,3]
输出：2
解释：子数组 [4,3] 是该条件下的长度最小的子数组。

示例 2：

输入：target = 4, nums = [1,4,4]
输出：1

示例 3：

输入：target = 11, nums = [1,1,1,1,1,1,1,1]
输出：0

题解：

移动前后两个范围

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

起风≯≮

关注关注

10
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

代码随想录算法训练营第二天| 209 长度最小的子数组 59 螺旋矩阵|| 58. 前缀和 1.开发商购买土地

kkksij的博客

10-21

805

差值=∣(sum−horizontalcut)−horizontalcut∣=∣sum−2×horizontalcut∣差值=∣(sum−horizontalcut)−horizontalcut∣=∣sum−2×horizontalcut∣。同时更新slow指针和sum的值（slow++，sum减去slow位置的元素）。2.通过快指针来遍历，用sum来记录当前子数组的和，用result来记录子数组的最小长度(初始化为MAX_VALUE)。如图，遍历到拐角处时，将拐角处让给新的边（坚持了左闭右开的原则）。

代码随想录算法训练营第二天 || 209.长度最小的子数组（滑动窗口）59.螺旋矩阵II（旋转90°的写法）kamacoder 58.区间和（前缀和）kamacoder 44.开发商购买土地（前缀和）

2402_83930684的博客

09-04

805

该文章摘要总结了代码随想录算法训练营第二天的核心内容，主要包含两个LeetCode题目和两个kamacoder问题的解法： 209.长度最小的子数组：介绍了暴力解法（O(n²)）和优化的滑动窗口解法（O(n)），重点讲解了如何通过同向双指针动态调整窗口大小来寻找满足条件的最短子数组。 59.螺旋矩阵II：提供了两种解法：方法一：利用循环不变量原则（左闭右开）分层填充数字方法二：通过定义方向数组实现90°旋转的巧妙填充方法还提及了kamacoder平台上的区间和与开发商购买土地两个前缀和相关问题。文章

参与评论您还未登录，请先登录后发表或查看评论

代码随想录算法训练营第二十九天

岁岁安的博客

04-28

2228

练习了动态规划和滑动窗口。

代码随想录算法训练营第二十一天

岁岁安的博客

04-18

1494

练习了组合回溯和子集回溯,以及每日一题哈希。

代码随想录算法训练营第三十四天

岁岁安的博客

05-07

1135

练习了打家劫舍相关的题目。

代码随想录算法训练营第二天 数组part2

weixin_51768944的博客

07-16

1391

今天是第二天 目的是理解滑动窗口先从209.长度最小的子数组开始给定一个含有 n 个正整数的数组和一个正整数 s ，找出该数组中满足其和 ≥ s 的长度最小的连续子数组，并返回其长度。如果不存在符合条件的子数组，返回 0。方法一暴力解法先写一个暴力解法锻炼一下代码能力这就是遍历每一个i去找添加没一个j 时间复杂度因为有两个loop所以是O(n^2)方法二滑动窗口。

代码随想录算法训练营第三十七天

岁岁安的博客

05-10

1566

本文总结了LeetCode中几道关于子序列和数组的题目，包括最长递增子序列、最长连续递增序列、最长重复子数组和数组的最小相等和。每道题都提供了问题描述、解题思路、时间复杂度和空间复杂度分析，并附上了Java代码实现。通过这些题目，练习了动态规划、二分查找等算法技巧，帮助理解如何高效解决子序列和数组相关的问题。

代码随想录算法训练营第二天|

syt_t的博客

12-28

561

1。

代码随想录算法训练营第一天

zszq111的博客

03-16

832

二分查找和双指针，704，27，34，35

代码随想录算法训练营第二十五天

岁岁安的博客

04-23

1497

练习了贪心算法,多状态贪心最好确定好遍历其他状态的顺序一个个单看.

代码随想录算法训练营第二天|209长度最小的子数组、59 螺旋矩阵

angela3264的博客

10-26

957

定义矩阵的方法是要在一个一维列表的基础上在里面进行嵌套，对其行进行确定即可定义这里的代码写法有一点需要注意，其内部的循环是模拟人行走的过程，所以代码的行和列顺着旋转即可代码旋转完以后如果是奇数则需要确定中间数值，否则就是可以跳出矩阵在定义一个数字无限大的时候，使用的方法是将其数值定义为float('inf')定义一个n*n矩阵内部全为0的矩阵方法是l = [[0]*n for _ in range(n) ]

代码随想录算法训练营第一天 - 704. 二分查找

05-08

代码随想录算法训练营第一天 - 704. 二分查找

代码随想录算法训练营第四十四天|Day44 动态规划

a6666999d的博客

11-12

1130

1143.最长公共子序列。

算法详解（一）--算法系列开篇：什么是算法？

最新发布

whc的博客

01-08

1176

算法定义与特性算法是解决特定问题的明确有限步骤，具有五大核心特性：必须在有限步骤内结束（有穷性）、每步操作明确无歧义（确定性）、能用基本操作实现（可行性）、可接受输入数据、并产生输出结果。算法是抽象思想，不同于具体代码实现。效率评估体系通过时间复杂度和空间复杂度衡量算法效率。时间复杂度关注运行时间随数据规模的增长趋势，使用大O表示法描述；空间复杂度分析算法所需的额外内存空间。实际设计常需在时间与空间效率间权衡取舍。

【人工智能领域】-YOLO目标检测算法全解析（含大白话解释）

Java && AI Agent工程师

01-07

863

本文全面解析YOLO目标检测算法的发展历程与技术特点。文章首先对比CNN与YOLO的本质区别，指出CNN是基础组件而YOLO是完整解决方案。随后详细梳理YOLO从v1到最新版本的演进之路，包括各版本核心创新与性能提升。重点分析了目标检测算法的两大类别（Two-stage与One-stage）的技术差异，并通过YOLOv1的实例详解其将检测转化为回归问题的核心思想。文章还介绍了非极大值抑制(NMS)等关键技术，以及YOLOv3的多尺度预测改进。最后总结了YOLO在自动驾驶、工业检测等领域的广泛应用，并展望其未

【剑斩OFFER】算法的暴力美学——力扣 844 题：比较含退格的字符串

就业知识博客

01-08

144

力扣 844 题：比较含退格的字符串

leetcode力扣——135.分发糖果

Xiaoyuan_he的博客

01-04

894

从左向右看： 1，1，2，3，4，1，1，1，2，1。从右向左看： 2，1，1，1，2，1，2，1，2，1。从左向右看： 1，1，2，3，4，1，1，1，2，1。从右向左看： 2，1，1，1，2，1，2，1，2，1。小朋友的分数：2，1，3，4，5，2，2，1，3，0。得到的糖果数：2，1，2，3，4，1，2，1，2，1。小朋友的分数：2，1，3，4，5，2，2，1，3，0。小朋友的分数：2，1，3，4，5，2，2，1，3，0。得到的糖果数：2，1，2，3，4，1，2，1，2，1。

贪心|建图dfs

一个人知道自己为什么而活，他就能够接收任何一种生活

01-08

175

4. 状态枚举与递归：先处理“跳过当前位”的情况（未构成合法数字时），再确定当前位可填数字上限，从有效起始数字（避免前导零）枚举所有未使用过的数字，递归计算下一位结果并累加；if ((mask >> d & 1) == 0) { // d 不在 mask 中，说明之前没有填过 d。// 如果前面填的数字都和 n 的一样，那么这一位至多填数字 s[i]（否则就超过 n 啦）// 枚举要填入的数字 d。

代码随想录算法训练营第五天

02-17

### 关于代码随想录算法训练营第五天学习内容 #### 动态规划入门动态规划是一种通过把原问题分解为相对简单的子问题的方式来求解复杂问题的方法。在第五天的学习中，重点在于理解并掌握动态规划的核心概念及其应用。 #### 解决斐波那契数列问题斐波那契数列是一个经典的例子来介绍动态规划的思想。对于给定的n值，计算第n项斐波那契数值可以采用自底向上的方法构建解决方案[^1]： ```python def fib(n): if n <= 0: return 0 elif n == 1: return 1 dp = [0] * (n + 1) dp[1] = 1 for i in range(2, n + 1): dp[i] = dp[i - 1] + dp[i - 2] return dp[n] ``` 此实现方式避免了重复计算相同的子问题，从而提高了效率。 #### 攀爬楼梯问题另一个典型的应用场景是攀爬楼梯问题，假设每次可以选择走一步或两步，则到达第n阶的不同路径总数也可以利用动态规划解决: ```python def climbStairs(n): if n == 1 or n == 2: return n dp = [0] * (n + 1) dp[1], dp[2] = 1, 2 for i in range(3, n + 1): dp[i] = dp[i - 1] + dp[i - 2] return dp[-1] ``` 上述两个案例展示了如何运用动态规划技巧有效地解决问题，并且强调了状态转移方程的重要性以及边界条件处理。