Leetcode刷题之深度优先

leetcode刷题经验,深度优先搜索(DFS)模板总结 leetcode上大部分dfs相关的题都可以套用该模板进行解答 //深度优先搜索dfs class Solution { public void dfs(char[][] source,int x,int y){//遍历的对象一般为树节点,图节点,二维数组等,这里以二维数组为例 if (终止条件 || 目标节点已访问) {return;}//符合终止条件或已访问过该节点,退... 阅读详情

108. 将有序数组转换为二叉搜索树

难度简单623收藏分享切换为英文接收动态反馈

将一个按照升序排列的有序数组,转换为一棵高度平衡二叉搜索树。

本题中,一个高度平衡二叉树是指一个二叉树每个节点 的左右两个子树的高度差的绝对值不超过 1。

示例:

给定有序数组: [-10,-3,0,5,9],

一个可能的答案是:[0,-3,9,-10,null,5],它可以表示下面这个高度平衡二叉搜索树:

      0
     / \
   -3   9
   /   /
 -10  5
/**
 * Definition for a binary tree node.
 * public class TreeNode {
 *     int val;
 *     TreeNode left;
 *     TreeNode right;
 *     TreeNode(int x) { val = x; }
 * }
 */

方法一:采用递归的方式:

总是选择中间位置左边的数字作为根节点,这样分给左右子树的数字个数相同或只相差 11,可以使得树保持平衡。如果数组长度是奇数,则根节点的选择是唯一的,如果数组长度是偶数,则可以选择中间位置左边的数字作为根节点或者选择中间位置右边的数字作为根节点,选择不同的数字作为根节点则创建的平衡二叉搜索树也是不同的。

code:

class Solution {
    public TreeNode sortedArrayToBST(int[] nums) {
        if (nums == null || nums.length == 0) {
            return null;
        }
        return helper(nums, 0, nums.length - 1);

    }

    private TreeNode helper(int[] nums, int left, int right) {
        if (left > right) {
            return null;
        }
        int mid = (left + right) / 2;
        TreeNode root = new TreeNode(nums[mid]);
        root.left = helper(nums, left, mid - 1);
        root.right = helper(nums, mid + 1, right);
        return root;

    }
}

 

 

 

 

 

 

力扣树专题-5 深度优先搜索 leetcode104 101 112 543 129 五道题小练一下深度优先遍历搜索算法 java刷题笔记 DFS深度优先搜索算法专题 持续更新中!碰到好题就扔进来! 阅读详情

相关推荐

Hodgkin-Huxley Model

介绍了经典的动力学模型:HH Model

weixin_73557167的博客 2474

leetcode深度优先搜索和广度优先搜索总结 Python

访问完右分支后,退回到最初根节点的上一级节点,再访问右分支。迭代法的思路其实是以层作为粒度,弹出一层的所有节点,然后放进去下面一层的所有节点,这里需要在注意的是在 que 中我们是无法区分两个节点是否来自于同一层的,所以在编程时,需要实现获取一层的长度。递归法就是函数在函数实现中调用函数本身,但函数实现中还需要增加调用终止条件,在函数实现中可以先假定函数已经实现,所以在考虑一个根节点和两个子节点时,可以直接调用函数本身实现两个子节点的遍历,函数实现中仅仅考虑根节点的遍历和终止条件即可,编程思路一目了然。

BIT_Legend的博客 2378

从硅到氮化镓:用Sentaurus TCAD仿真GaN HEMT功率器件,我踩过的那些坑

本文分享了使用Sentaurus TCAD仿真GaN HEMT功率器件的实战经验,详细解析了从硅基到氮化镓的技术转型中遇到的五大关键挑战:材料参数设置、极化效应建模、网格划分策略、陷阱模型校准以及仿真与实测数据匹配。通过具体案例和参数优化方法,帮助工程师避开常见陷阱,提升TCAD仿真精度与效率。

weixin_28726671的博客 379

给一个有序数组生成平衡搜索二叉树(java)

左边值小于头节点值,头节点值小于右边值,左树右树高度差不超过1.解题思路.因为要生成平衡的搜索树,因此有序数组的中间值 ,给定一个有序的数组,用这个数组生成一个平衡搜索二叉树.这个题还是很简单的,知道什么时平衡搜索二叉树就行了,然后这样递归就构造出一颗平衡搜索二叉树了.然后左边构造成左树,

SP_1024的博客 1682

S32K144(1)新建裸机项目以及烧录调试工程

目录 1、简介 2、S32DS新建裸机项目 2.1、新建空的项目 2.2、选择标准库的S32DS 2.3、选择使用EWL官方库 2.4、新建成功 3、烧录工程 3.1、点击Debug,选择Debug Configurations 3.2、新建GDB SEGGER J-Link Debugging 3.3、确认Project和C/C++ Applicants是需要烧写的项目名和路径正确 3.4、确认Executable Device name Interface等各个配置信息正确,后点击

朗朗上口就行啦的博客 4975

【StarRocks】-- DATETIME 与 TIMESTAMP 区别详解

本文详细解析了StarRocks中DATETIME/DATETIMEV2与TIMESTAMP的区别及使用场景。DATETIME系列存储人类可读时间,不携带时区;TIMESTAMP实际指Unix时间戳,建议用BIGINT存储。关键差异包括:精度选择(DATETIMEV2支持微秒级)、时区处理(仅函数计算时影响)、存储方式等。针对不同场景提供选型建议:单时区展示用DATETIMEV2,跨时区计算用BIGINT存储Epoch。特别强调与MySQL迁移时的注意事项,并给出常见问题解决方案和最佳实践清单,包括统一入口

欢迎来到我的博客,一起探索代码里的世界! 499

Leetcode第108题将有序数组转换为二叉搜索树|C语言

题目: 给你一个整数数组 nums ,其中元素已经按 升序 排列,请你将其转换为一棵 高度平衡 二叉搜索树。 高度平衡 二叉树是一棵满足「每个节点的左右两个子树的高度差的绝对值不超过 1 」的二叉树。 思路:由于数组已经排序好,我们可以直接递归建树,只要每次递归都将当前递归范围中间的数字作为根节点,根节点左右两边的范围各作为左右子树,就可以实现平衡且满足二叉搜索树的性质(即左结点的值<根节点的值<右节点的值) struct TreeNode* build(int *nums,int left,i

qq_37397653的博客 186

ZYNQ 7020 之 FPGA知识点重塑笔记一——串口通信

通信方式一般分为串行通信和并行通信。并行通信是指多比特数据同时通过并行线进行传送。这种传输方式通信线多、成本高,故不宜进行远距离通信,通常传输距离小于 30 米。串行通信是指数据在一条数据线上,一比特接一比特地按顺序传送的方式。这种运输方式通常节省传输线,大大降低使用成本,但数据传送速度慢。综上可知,串行通信主要应用于长距离、低速率的通信场合。本次实验我们主要讲解下串行通信。串行通信一般有2种通信方式:同步串行通信和异步串行通信。同步串行通信。

m0_51430584的博客 3094

leetcode第108题有序数组转二叉搜索树极简方法(最低时间空间复杂度)

不难看出一个深度足够高的平衡二叉树都有这么一个规律根节点(或子树根节点)永远是当前剩余数字中的中间值。方法就来了,对于这么一个排列好的数组,我们可以取数组的中间值为根节点,然后进行递归。当然这也是一种构建平衡二叉树的方法,即先排序后放入,就不用左旋右旋了。......

mtj295152的博客 485

复习单片机:动态数码管(1 数码管介绍+2 74HC245 和 74HC138 芯片介绍+3 硬件设计+4 软件设计+5 实验现象)

复习单片机:动态数码管(1 数码管介绍+2 74HC245 和 74HC138 芯片介绍+3 硬件设计+4 软件设计+5 实验现象)

wo12369874的博客 1701

【YOLO11改进 - 特征融合】利用Hyper-YOLO 的混合聚合网络(MANet)改进yolo11,提升基础网络的特征提取能力

【YOLO11改进 - 特征融合】利用Hyper-YOLO 的混合聚合网络(MANet)改进yolo11,提升基础网络的特征提取能力

专注于图像领域,主要研究内容包括计算机视觉和深度学习,特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。 905

【每日一题042】leetcode-108

目录题目思路相关思考代码(C++/力扣) 题目 题目来源 思路 相关思考 代码(C++/力扣)

qq_42799166的博客 334

光学测量仿真软件:Zygo_(12).Zygo软件的用户界面与操作指南

Zygo软件支持用户自定义工具和插件,以扩展软件的功能和适应特定的仿真需求。编写脚本使用Python或其他支持的脚本语言编写自定义工具的脚本。例如,编写一个脚本来计算光束的衍射效率。# 示例脚本:计算光束的衍射效率 import zygo # 导入Zygo软件的API def calculate_diffraction_efficiency(wavelength , grating_period , angle) : """计算光束的衍射效率:param wavelength: 光源波长(单位:米)

kkchenjj的博客 1669

LeetCode刷题笔记(12)DFS深度优先算法Ⅱ

LeetCode刷题笔记(12)DFS深度优先算法Ⅱ 背景 好几天没刷题了,出差做作业然后工作比较忙,应该改正。今天是LeetCode的深度优先算法第二部分,也结束了。 130、填充封闭区域 给定一个二维的矩阵,包含 ‘X’ 和 ‘O’(字母 O)。 找到所有被 ‘X’ 围绕的区域,并将这些区域里所有的 ‘O’ 用 ‘X’ 填充。 示例: X X X X X O O X X X O X X O X X 运行你的函数后,矩阵变为: X X X X X X X X X X X X X O X X 从

weixin_44580808的博客 155

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

leetcode刷题笔记——深度优先搜索

leetcode刷题笔记——深度优先搜索 目前完成的深度优先搜索相关的leetcode算法题序号: 简单:257 中等:200 来源:力扣(LeetCode) 链接:https://leetcode-cn.com/problems/reconstruct-itinerary 著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。 文章目录leetcode刷题笔记——深度优先搜索算法理解一、257题:二叉树的所有路径1.题干2.思路3.代码4.总结二、200题:岛屿数量1.题干2.思路3.代码

md_Ji的博客 604

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

秋招LeetCode刷题Day2 -- DFS深度优先算法之岛屿专题

今天做了一系列岛屿相关的问题, 熟练掌握DFS算法模板如下// 操作// 操作// 淹没。

weixin_45872648的博客 769

力扣刷题——DFS深度优先搜索算法

岛屿数量 给你一个由 '1'(陆地)和 '0'(水)组成的的二维网格, 请你计算网格中岛屿的数量。 岛屿总是被水包围, 并且每座岛屿只能由水平方向或竖直方向上相邻的陆地连接形成。 此外,你可以假设该网格的四条边均被水包围。 示例 1: 输入: [ [‘1’,‘1’,‘1’,‘1’,‘0’], [‘1’,‘1’,‘0’,‘1’,‘0’], [‘1’,‘1’,‘0’,‘0’,‘0’], [‘0’,‘0’,‘0’,‘0’,‘0’] ] 输出: 1 示例 2: 输入: [ [‘1’,‘1’,‘0’,..

how的博客 1315

图的dfs非递归_力扣刷题之DFS

力扣刷题学习路线力扣刷题之递归力扣刷题之DFS力扣刷题之BFS力扣刷题之动态规划力扣刷题之Tree力扣刷题之HashMap力扣刷题之Heap力扣刷题之Stack力扣刷题之Graph力扣刷题之Sort力扣刷题之二分查找力扣刷题之并查集深度优先搜索深度优先搜索,从根节点开始,探索整个图,走到底然后再回溯;广度优先搜索,从根节点开始,辐射状搜索节点,一层一层的探索。以树的遍历为例,前前序/中序/后序搜索...

weixin_39807541的博客 154

Leetcode刷题笔记——DFS篇

中等题数字n代表生成括号的对数,请你设计一个函数,用于能够生成所有可能的并且 有效的括号组合本质就是一个二叉树,,二叉树的每个节点即一种括号组合,分别递归的加入左括号方便更直观的看到回溯的过程简单写法。

qq_42898642的博客 1745

史上最详细深度优先搜索遍历(DFS)代码,力扣(LeetCode)刷题第79题:单词搜索!

文章目录前言一、题目介绍二、解题思路1.分析题目2.思路与算法3.代码部分三、总结 前言 题目地址:单词搜索 一、题目介绍 给定一个二维网格和一个单词,找出该单词是否存在于网格中。 单词必须按照字母顺序,通过相邻的单元格内的字母构成,其中“相邻”单元格是那些水平相邻或垂直相邻的单元格。同一个单元格内的字母不允许被重复使用。 示例 1: 示例: board = [ ['A','B','C','E'], ['S','F','C','S'], ['A','D','E','E'] ] 给定 word

代码届的小白的博客 1234

LeetCode刷题-DFS排列类总结 深度优先遍历

针对LeetCode上深度优先遍历DFS一类的排列题,做了一点总结。就当给之后自己复习留下的笔记。 LeetCode.46全排列 LeetCode46 题解: class Solution { public List<List<Integer>> permute(int[] nums) { List<List<Integer>> res = new ArrayList(); boolean[] pb = new b

weixin_45751409的博客 450

Leetcode刷题——深度优先搜索(DFS)

深度优先搜索(DFS)是一种遍历技术,探索尽可能远的分支然后回溯。在图或树中探索所有路径或分支时使用此模式。核心逻辑:一条路走到黑,走不通再回头递归本质:用系统栈保存遍历状态,深入到最深的分支后,回溯到上一层,继续探索其他分支。

weixin_53318497的博客 371

leetcode刷题 DFS+树

leetcode持续刷题中,希望与大家多多交流沟通,共同拓宽思路,共同提高 现为刷题新手,也是博客新手,刷题进行了两周左右,最早的submission在15天前,如下图,现在基本每天两道,有时会多些,希望能多坚持,并系统刷题,目前已刷53道 目前刷的较多的专题为dfs,链表和树 有一些心得体会,之后也会陆续分享一些我的题解 链表是对数组的改进,树为对链表多加一指针,这样使得结构更加多...

incity_的博客 316

深度优先算法--leetcode刷题总结

每个点都是可取可不取的,不取那么继续向前遍历数组,取–将nums[idx]存入path中,因为可重复那么取某一元素的次数是任意的,把满足条件的集合放入答案中即可。即每个点都是可取可不取的,取和不去向下遍历得到的集合不一样,只要是满足题意的集合,就存入答案中。与第一题一样的,但解法有所不同。

liuwenhao_1的博客 263

LeetCode刷题技巧:贪心算法与DFS实战解析

贪心算法和深度优先搜索(DFS)是算法学习中的两大核心思想,广泛应用于各类编程问题解决方案中。贪心算法通过局部最优选择逐步构建全局最优解,特别适合解决如股票买卖等具有最优子结构的问题。DFS则通过递归或栈实现图的遍历,常用于解决矩阵搜索、路径查找等问题。理解这两种算法的原理和实现方式,不仅能提升解题效率,还能培养严谨的编程思维。本文通过LeetCode典型题目(如买卖股票最佳时机II、被围绕的区域等),深入解析贪心算法的数学证明和DFS的优化技巧,帮助学习者在实际编程中灵活应用这些算法,应对各种边界条件和性

weixin_34242509的博客 543

【LeetCode刷题week4】——DFS+回溯专题

[声明]:ACWing Y总刷题课总结 题号 题目链接 17 九键字母组合 79 二维数组 46 全排列 1.题目链接 — LeetCode17. 电话号码的字母组合 方法一:遍历数字 解题思路:类似BFS的思路 代码如下 class Solution { public: string map[8] = {"abc","def","ghi","jkl","mno","pqrs","tuv","wxyz"}; vector<string> le

TBD的博客 290
上一篇: SpringBoot入门---实际开发中多个配置文件,怎么使用
下一篇: 分布式事务
给自己加加油
博客等级 码龄8年 302粉丝 110原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值