braveact的博客

快速选择算法（）：时间复杂度为O(n)（平均情况），适用于大多数情况，避免了不必要的排序。堆排序法（Heap）：时间复杂度为O(n log k)，适合K较小的情况。排序法：时间复杂度为O(n log n)，简单易懂，但效率较低。O(n log n)，但可以通过调整递归范围来优化。计数排序法：适用于元素范围较小的情况，时间复杂度为O(n + m)。2.4 算法的时间复杂度平均时间复杂度：在平均情况下，快速选择算法的时间复杂度为O(n)，因为每次分区后，问题规模大约减半。

文章目录须知💬 欢迎讨论：如果你在学习过程中有任何问题或想法，欢迎在评论区留言，我们一起交流学习。你的支持是我继续创作的动力！👍 点赞、收藏与分享：觉得这篇文章对你有帮助吗？别忘了点赞、收藏并分享给更多的小伙伴哦！你们的支持是我不断进步的动力！🚀 分享给更多人：如果你觉得这篇文章对你有帮助，欢迎分享给更多对C++算法感兴趣的朋友，让我们一起进步！1. C++ 分治（快速排序）算法 详解1.1模拟 分治（快速排序） 的重要性分治法是一种非常高效的算法设计策略，广泛应用于计算机

模拟Simulation）是指通过数学模型或计算机程序模拟现实世界中的系统或过程，以便研究、分析和预测其行为。模拟通常用于解决无法直接实验或操作的情况，或是当直接实验的成本过高、危险或不可行时。模拟的核心概念是通过近似或简化真实世界的复杂性，使得我们能够理解和预测系统的行为。模拟不仅可以用于科学研究，还广泛应用于工程、经济、军事、医学等领域。1.2 经典应用飞行模拟： 飞行模拟器广泛应用于航空训练，帮助飞行员在没有实际飞行的情况下进行操作训练。

模拟算法是一类通过模拟真实世界过程来解决问题的算法。它通过计算机模拟复杂系统的行为，帮助我们分析和解决那些难以通过解析方法直接求解的问题。模拟算法通常通过随机化、迭代、近似等技术，利用计算机的强大计算能力来获得问题的近似解。这四种解法的时间复杂度和空间复杂度基本相同，都是O(n)和O(1)。主要的差异在于内部选择字符的策略和细节上的实现。最重要的是，所有解法都依赖于贪心策略，确保每个字符替换为一个与邻近字符不同的字母。方法 1是最常用的贪心算法，它的时间复杂度是O(n)

位运算法（解法 1 和 2）是最常见且高效的解决方案，尤其适用于不使用加法运算符的场景。通过异或和与运算计算不带进位的和与进位部分，直到进位为零。递归法是对位运算的递归封装，与循环方法本质相同，但实现方式更简洁。暴力法（解法 3）直接使用加法运算符，虽然是最简单的解法，但不符合题目的要求。机器加法法（解法 4）是对机器加法的模拟，实际上与位运算法的实现类似，但展示了加法如何在硬件中执行。

异或运算是位运算解决重复出现问题的核心思想：相同为00与任何数异或等于数本身。位统计 + 取模：通过逐位统计 1的个数，可以解决K次出现问题。低位的1：通过提取最低位的1，可以将数字分组，解决两个目标数字的问题。通过上面几个例题：「判定字符是否唯一」的多种解法、以及「丢失的数字」的位运算方法我们总结出位运算在数组问题中的高效应用。位运算 通过将复杂的数字出现次数、分组、去重等问题转化为简单的位级操作（如异或、位统计、取模等），极大地提升了问题求解的效率。

6.5 总结异或法是解决此类问题的核心思想，利用异或的性质实现高效解法。通过最低位的1将两个不同的数字区分开来，巧妙地将问题分解为两组。该解法时间复杂度为O(n)，空间复杂度为O(1)，性能最优。「Single Number」的异或运算解法「Single Number III」的异或+分组方法，以及**「Single Number II」的位统计与取模优化**，我们总结出位运算在数组问题中的高效应用。位运算通过将复杂的数字出现次数、分组、去重等问题转化为简单的位级操作（如异或位统计取模。

通过将问题转化为前缀和的寻找，我们能够在O(n)时间复杂度内高效解决这类问题。暴力解法虽然直观易于理解，但性能不佳，仅适用于小规模数据。在实际应用中，前缀和的优化方法是解决该题目的最佳方案。通过二维前缀和优化，我们在O(n × m)的时间复杂度内完成了矩阵块和的计算，极大提高了效率。前缀和是处理区间问题的基础工具，它能有效地优化数组相关问题的查询时间。通过预处理前缀和数组，我们能够将查询区间和的时间复杂度从O(n)降到O(1)。进阶应用中，前缀和常与哈希表、余数、差分数组等技术结合使用，解决更多复杂的问题。

前缀和Prefix Sum）是一个数组的派生数组，其中每个元素表示原数组中从第一个元素到该位置元素的累积和。给定一个数组，前缀和数组S由下列公式构成：其中S[0]=0以方便进行区间和的计算。例子：对于数组，前缀和数组SS[0] = 0S[1] = 1(即A[1]因此，前缀和数组。这个程序的核心思想是通过前缀和来优化区间求和问题，预处理一步后，每次查询可以在常数时间内得到结果。对于多个查询的场景，前缀和算法能显著减少查询的时间复杂度，是处理大规模数据时非常有效的技术。

二分查找是一种重要的算法，能够在O(log⁡n)时间内完成查找，适用于大规模数据的高效处理。通过利用旋转排序数组的特性，结合二分查找方法，能够在O(log n)时间复杂度内找到最小元素。二分查找的关键是判断中间元素与右端元素的大小关系，从而决定搜索的方向。哈希解法：通过哈希表记录已出现的元素，时间复杂度O(n)，空间复杂度O(n)。位运算解法：利用异或运算的特性进行求解，时间复杂度O(n)，空间复杂度O(1)。等差求和公式解法：通过计算数组的理论和与实际和的差值来找到缺失的最小元素，时间复杂度。

二分查找是一种在有序数组中查找目标值的算法。通过每次将查找范围缩小一半，逐步逼近目标值的位置。二分查找的目标是利用有序性，将搜索范围逐步减少到最小。通过比较中间值与目标值，决定在左右半区继续搜索。34. 在排序数组中查找元素的第一个和最后一个位置 - 力扣（LeetCode）算法特点使用二分查找分别找到左边界和右边界。时间复杂度O(log⁡n)，适合大规模数据。空间复杂度O(1)，仅使用常量级变量。代码结构清晰两次独立的二分查找，易于理解和调试。特殊情况处理。

这段代码利用滑动窗口和字符频率统计的技巧，能够在O(n)的时间内高效地找到字符串s中所有与字符串p字母排列相同的子串。通过维护窗口内的字符频率并与目标字符串p的频率进行比较，能够实现快速判断字母异位词的功能。这段代码通过滑动窗口和字符频率统计相结合的方式，在字符串s中高效地找到所有与p的字母排列相同的子串。通过维护窗口内字符的频率，并与目标字符串p的频率进行对比，能够在O(n)的时间复杂度内解决问题，适用于大规模数据的处理。暴力解法适用于数据规模较小的情况，或作为初学者理解问题的第一步。如果s。

通过滑动窗口，我们可以高效地找到和为sum - x的最大子数组，并计算出最小操作次数。这种方法的时间复杂度是线性的O(n)，非常适合处理大规模数据。

滑动窗口是一种动态调整区间范围的算法。它将问题中的“窗口”定义为一段连续的子数组或子字符串，并通过增加或减少窗口的左右边界来动态计算结果。窗口的范围会随着问题的需求而“滑动”，从而优化问题求解过程。固定窗口：窗口大小固定，通过滑动计算覆盖不同的区间。可变窗口：窗口大小可变，根据条件动态调整范围。动态调整范围：右边扩展窗口，左边缩小窗口。实时维护结果：在条件满足时更新最优解。这是解决子数组问题的高效通用方法，非常适合用来练习和掌握滑动窗口技巧。

双指针通过从两端向中间收缩并动态调整计算条件，避免了暴力解法的多次重复计算，能够在最短时间内找到结果。这种思路同样适用于很多类似的优化问题，比如“接雨水”、“最小覆盖子串”等，掌握它会让你的算法能力更上一层楼。该算法通过排序和双指针的结合，有效地减少了重复计算，是解决三角形个数问题的经典方法。排序后的双指针遍历不仅逻辑简单，而且复杂度低，非常适合处理大规模数据。

用最通俗的语言来讲所谓双指针算法是针对于遍历的过程的，我们平常在用for循环遍历的时候都是用单个指针在进行循环访问，而双指针就是用两个相同方向的或者相反方向的指针进行扫描，从而达道算法的目的。比如在一层循环里同时设置 i,j两个变量。换言之，双指针法充分使用了数组有序这一特征，从而在某些情况下能够简化一些运算，将时间复杂度从log(n^2)降到log(n)。注意：这里的指针，并非专指C语言中指针的概念，而是指索引，游标或指针，可迭代对象等！