P11246 [GESP202409 六级] 小杨和整数拆分

gesp(C++六级)(11)洛谷:P11246:[GESP202409 六级] 小杨和整数拆分 阅读详情

记录97

#include<bits/stdc++.h>
using namespace std;
const int N=1e5+10;
int dp[N];
int main(){
	int n;
	cin>>n;//最坏情况,全由1组成
	for(int i=1;i<=n;i++) dp[i]=i;
	for(int i=1;i<=n;i++){//枚举每个数字
			for(int j=1;j*j<=i;j++){
				dp[i]=min(dp[i],dp[i-j*j]+1);
			}//每个数字由最小平方数推来	
	}
	cout<<dp[n];
    return 0;
}

题目传送门https://www.luogu.com.cn/problem/P11246


突破口

小杨有一个正整数 n,小杨想将它拆分成若干完全平方数的和,同时小杨希望拆分的数量越少越好。

编程计算总和为 n 的完全平方数的最小数量。


思路

🔍 一、题目核心理解

🎯 问题描述

给定一个正整数 n,将其表示为若干个完全平方数(如 1, 4, 9, 16, ...)的和,要求:

  • 使用的完全平方数个数最少

这是经典的 “完全平方数分解最小数量”问题,也被称为 “四平方和问题”的优化版本。

✅ 举例

  • n = 12 → 可以是 4 + 4 + 4(3 个),或 9 + 1 + 1 + 1(4 个)→ 最优是 3
  • n = 13 → 9 + 4 → 2 个

💡 数学背景:拉格朗日四平方定理指出,任意自然数最多可表示为 4 个完全平方数之和。但本题要求的是最小数量。


🧠 二、解题思路:动态规划(DP)

状态定义

  • dp[i] = 表示数字 i 所需的最少完全平方数个数

初始状态

  • 最坏情况:全部用 1 = 1² 拼出 → dp[i] = i

状态转移

  • 枚举所有满足 j² ≤ i 的 j
  • 尝试用 j² 作为最后一个加数:
    • 剩余部分为 i - j²
    • 所需数量 = dp[i - j²] + 1
  • 取最小值:
    dp[i] = min(dp[i], dp[i - j*j] + 1)

时间复杂度

  • 外层循环 n 次
  • 内层循环最多 √n 次
  • 总复杂度:O(n√n),对于 n ≤ 1e5 完全可行

代码简析

#include<bits/stdc++.h>
using namespace std;
const int N = 1e5 + 10;
int dp[N];
  • 定义常量 N = 100010,足够覆盖题目中 n ≤ 1e5
  • dp[i] 存储数字 i 的最小平方数个数
int main(){
    int n;
    cin >> n;
  • 读入目标数字 n
    // 初始化:最坏情况,全部用 1 拼成(1 是 1²)
    for(int i = 1; i <= n; i++) 
        dp[i] = i;
  • dp[1] = 1(1 = 1²)
  • dp[2] = 2(1+1)
  • dp[3] = 3(1+1+1)
  • ...
  • 这为后续优化提供上界

✅ 注意:dp[0] 未显式初始化,但全局变量默认为 0
而 dp[0] = 0 是正确的(0 不需要任何平方数)

    // 动态规划主循环
    for(int i = 1; i <= n; i++){        // 枚举每个数字 i
        for(int j = 1; j * j <= i; j++){ // 枚举所有 j,使得 j² ≤ i
            dp[i] = min(dp[i], dp[i - j * j] + 1);
        }
    }
  • 对每个 i,尝试所有可能的完全平方数 j²
  • 用 dp[i - j²] + 1 更新 dp[i]
  • 例如:
    • i = 4:
      • j=1 → dp[3]+1 = 3+1 = 4
      • j=2 → dp[0]+1 = 0+1 = 1 → dp[4] = 1 ✅
    • i = 12:
      • j=3 → j²=9,dp[3]+1 = 3+1 = 4
      • j=2 → j²=4,dp[8]+1;而 dp[8] = 2(4+4)→ 2+1=3 → 最优

✅ 这个转移确保了 dp[i] 始终是最小值

    cout << dp[n];
    return 0;
}
  • 输出结果

🧪 样例验证(假设输入)

  • n = 1 → dp[1] = min(1, dp[0]+1=1) → 输出 1
  • n = 4 → dp[4] = 1(因为 4 = 2²)
  • n = 12 → 如上所述,输出 3

⚠️ 关键细节说明

细节说明
dp[0] = 0全局变量自动初始化为 0,正确表示“0 不需要任何平方数”
内层循环 j*j <= i避免无效计算,只考虑不超过 i 的平方数
初始化 dp[i] = i提供一个合法上界,确保 min 操作有效
时间效率n=1e5 时,内层最多 j=316,总操作约 3e7,C++ 可轻松通过

总结

要点说明
问题类型经典动态规划(完全背包变种)
状态定义dp[i] = i 的最小平方数个数
转移方程dp[i] = min(dp[i - j²] + 1),对所有 j² ≤ i
初始值dp[i] = i(全用 1 拼)
边界dp[0] = 0(隐含)
复杂度O(n√n),高效可行
题解:洛谷 P11246 [GESP202409 六级] 小杨和整数拆分 等知名刷题平台精心挑选而来,并结合各平台提供的算法标签和难度等级进行了系统分类。题目涵盖了从基础到进阶的多种算法和数据结构,旨在为不同阶段的编程学习者提供一条清晰、平稳的学习提升路径。,小杨想将它拆分成若干完全平方数的和,同时小杨希望拆分的数量越少越好。,将其拆分为若干完全平方数之和,求最少拆分数量。问题,核心在于将问题转化为:用面值为。的完全平方数的最少数量。的完全平方数的最少数量。#普及- #线性DP-一维。输出一个整数,代表总和为。本文分享的必刷题目是从。第一行包含一个正整数。 阅读详情

相关推荐

题解:洛谷 P11371 「CZOI-R2」糖果

等知名刷题平台精心挑选而来,并结合各平台提供的算法标签和难度等级进行了系统分类。题目涵盖了从基础到进阶的多种算法和数据结构,旨在为不同阶段的编程学习者提供一条清晰、平稳的学习提升路径。为了避免小朋友因为愤怒而吃掉别的小朋友的糖果,幼儿园老师希望所有小朋友的糖果数量相同。若她的目标可以达成,输出。幼儿园老师可以进行无限次操作,每次操作选择一个小朋友,并给他。和她最少的操作次数;若不可以,则直接输出。,表示小朋友数量、每次操作给予糖果数量。个小朋友初始的糖果数量。本文分享的必刷题目是从。

团爸讲算法 695

打卡信奥刷题(879)用C++信奥P11246[普及组/提高] [GESP202409 六级] 小杨和整数拆分

小杨有一个正整数n,小杨想将它拆分成若干完全平方数的和,同时小杨希望拆分的数量越少越好。编程计算总和为n的完全平方数的最小数量。

Loge谈信奥--一个专注于信奥人的博客 4695

GESP六级真题考点分析和解题思路

本文分析了GESP六级考试的18道真题,涵盖动态规划、树形结构、图论算法等核心考点。重点题目包括下楼梯(动态规划)、工作沟通(LCA算法)、运送物资(网络流)等。试题难度以普及级为主,涉及拓扑排序、树形DP、二分答案等典型算法。备考建议掌握动态规划状态转移、树结构的DFS遍历、图论算法实现等关键技能,并熟悉提供的代码模板(如拓扑排序和树直径计算)。通过系统练习这些高频题型和算法模板,可以有效提升六级考试通过率。

lan_in的博客 777

《P11246 [GESP202409 六级] 小杨和整数拆分》

题目要求将正整数n拆分为最少数量的完全平方数之和,使用动态规划求解。初始化dp数组,其中dp[i]表示和为i的最小完全平方数个数。通过遍历完全平方数并更新dp数组,最终dp[n]即为答案。样例输入18输出2(因为18=9+9)。适用于1≤n≤10^5的范围。

Jasmine_llq的博客 247

qt使用qxlsx实现xlsx、xls表格文件快速写入和读取

新年第二篇文章,收尾一个去年计划中发表文章和实现功能。

kbq的博客 1万+

数据结构:五岔路口交通管理红绿灯设计

我们可以知道这是一个“图”的着色问题,首先要考虑,为什么可行路线是13条?当然可以通过穷举得出,如果用公式:则是: 或者 因为一条路线必须包括一出一进两个方向 第一种答案的解法: 一、固定E为入口,则有C_4^1=4的可能; 二、除去E(因为E只有一个入向),剩下ABCD四个路口,然后因为C只有一个出方向,所以从剩下 的ABD中选择一个入口,即C_3^1; 三、再从剩下的三个出口任选

潘猫猫的世界 1万+

【题解-洛谷】P11246 [GESP202409 六级] 小杨和整数拆分

小杨想将它拆分成若干完全平方数的和,同时小杨希望拆分的数量越少越好。的完全平方数的最小数量。输出一行一个整数表示答案。输入只有一行一个正整数。对全部的测试数据,保证。

写代码的犄角旮瘩 664

卷积神经网络-猫狗识别(附源码)

利用python实现一个卷积神经网络,训练猫狗数据集,实现对猫狗图片的预测识别

m0_63223213的博客 2万+

洛谷 P11246 [GESP202409 六级] 小杨和整数拆分-普及-

小杨想将它拆分成若干完全平方数的和,同时小杨希望拆分的数量越少越好。的完全平方数的最小数量。输出一行一个整数表示答案。输入只有一行一个正整数。对全部的测试数据,保证。

weixin_37253733的博客 343

一文掌握SourceTree使用(超级详细)

SourceTree是一款开源的代码仓库客户端工具,界面美观,操作简单,具有代码克隆、本地创建、提交代码、撤销修改,拉取(pull)代码、上传(push)代码、合并分支等操作。对于软件开发人员是一款必备的应用软件。

GM_115的博客 3万+

海思方案定制hi3531dv200/SS528 DVR方案解析:从硬件选型到编解码实战应用

海思方案,Hi3518EV100,Hi3518CV100,Hi3515CV100,Hi3516CV100,Hi3516ECV100,Hi3516D,Hi3516A,Hi3519,Hi3520D,Hi3521A,Hi3535,Hi3531,Hi3536,Hi3536C,Hi3536D,Hi3518EV200,Hi3518EV201,Hi3520DV200,Hi3516CV200,Hi3516CV300,Hi3516AV200,Hi3520DV300,Hi3519V101,sd3403,hi3519av200

1587

洛谷 P11246:[GESP202409 六级] 小杨和整数拆分 ← 基础DP

● 初始化 f[i]=i。这是最坏情况,表示全部用 1 去凑数字 i(因为 1 也是完全平方数)。

hnjzsyjyj的专栏 385

块存储:AIO的直接写流程注释

提交io流程中aio_write之前函数的注释,可参考“块存储:AIO的直接读流程注释”。

yiyeguzhou100的专栏 1336

【GESP2409六级】小杨和整数拆分 算法学习

【GESP2409六级】小杨和整数拆分 算法学习

青少年趣味编程 1251

用 SemanticObject 把字段变成可点击链接:Fiori Elements Navigation Using a Link 的工程化实践

SAP Fiori elements 通过 Common.SemanticObject 注解可将字段转为可点击链接,实现应用间跳转。当源字段名与目标属性名不一致时,需使用 Common.SemanticObjectMapping 进行映射。该功能依赖 Fiori Launchpad 的目标映射配置,确保正确解析 semantic object + action 并传递参数。常见误区包括未配置目标映射或字段映射错误,需逐一检查语义标注、intent 解析和参数传递链路。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 273

Video Diffusion Models:基于扩散模型的视频生成

Diffusion Models专栏文章汇总:入门与实战 前言:扩散模型已经被广泛运用到图像生成、image-to-image转换、时间序列生成、3D点云生成、文本生成、音频生成等领域,谷歌研究院最新的研究成果成功将diffusion models运用到视频生成领域。 目录 模型结构 分解时空体系联合训练 梯度条件法 恐怖的实验结果 论文和代码 个人启发 个人疑问? 模型结构 在前面的博文中,我详细介绍了为什么绝大部分的diffusion models都使用Unet结构.

沉迷单车的追风少年 6672

GESP认证C++编程真题解析 | 202409 六级

阅读以下用动态规划解决的0-1背包问题的函数,假设背包的容量W是10kg,假设输入4个物的重量weight 分别为1,3,4,6(单位为kg),每个物品对应的价值values 分别为20,30,50,60,则函数的输出为( )。假设字母表 {a,b,c,d,e} 在字符串出现的频率分别为10%,15%,30%,16%,29%。因此,向下取整并加1后,最小深度为12。对上题中的二叉搜素树,当输入数组为[5,3,7,2,4,6,8]时,构建二叉搜索树,并采用如下代码实现的遍历方式,得到的输出是( )。

团爸讲算法 1065

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

记——那次难忘的GESP六级考试(202603)+编程题题解

本文记录了作者参加GESP六级考试的全过程,重点描述了备考和考试当天的经历。作者详细列出了自己完成的13道编程题目及解题思路,包括DP、贪心、树状数组等算法题,同时也提到未完成的8道题目。考试当天经历了忘带鼠标的意外,利用触控板继续练习。文章还提到选择题涉及动态规划、树遍历等基础知识,整体展现了作者从紧张备考到从容应考的心路历程,以及面对突发状况的应对能力。

2401_84010520的博客 641

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")

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

刷题题单...

【洛谷】P2884 [USACO07MAR] Monthly Expense S / 【信息学奥赛一本通】1243:月度开销 | AC:2。【洛谷】P1068 [NOIP 2009 普及组] 分数线划定 / 【信息学奥赛一本通】1180:分数线划定 | AC:2。【洛谷】P1009 [NOIP 1998 普及组] 阶乘之和 / 【信息学奥赛一本通】1173:阶乘和 | AC:2。【洛谷】P1451 求细胞数量 / 【信息学奥赛一本通】1329:【例8.2】细胞 | AC:2。

写代码的犄角旮瘩 267

【算法拾光】队列|在每个树⾏中找最⼤值 + 最后⼀块⽯头的重量

本文总结两道经典算法题:一是通过层序遍历(BFS)逐层找最大值,利用队列分层处理,每层维护最大值;二是用大根堆(优先队列)模拟石头碰撞过程,每次取最大两块石头,差值重新入堆,直至剩余一块或无石。前者适用于树的层次遍历,后者适合动态获取最值场景。核心思想:队列用于分层遍历,堆用于高效取极值。

wuqingyigexiaoba的博客 200

把 KV Cache 压到 FP4:BitDecoding-FP4 的算法-系统协同设计复盘

长上下文推理卡在KV Cache的显存与带宽上,而现有FP4方案要么精度崩、要么速度废。这篇文章复盘BitDecoding-FP4如何用三个算法补丁加一个系统重构,在B300上把服务吞吐提升2.4–3.0倍,精度几乎不掉。

helloagent的博客 318

【算法拾光】链表 哈希表|K个一组翻转链表 + 两数之和

K个一组翻转链表需分段反转,借助哑节点与前驱指针维护连接,避免断链;两数之和利用哈希表实现O(1)查找,空间换时间,高效定位目标组合。前者考察链表指针操作,后者聚焦映射关系构建,均为面试高频题。

wuqingyigexiaoba的博客 341

排序算法深度笔记(下):非比较类排序的线性突破与工程边界

排序算法时间复杂度额外空间复杂度稳定性是否基于比较选择排序O(N^2)(O(1))不稳定是冒泡排序O(N^2)(O(1))稳定是插入排序O(N^2)(O(1))稳定是归并排序O(N\log N)(O(N))稳定是快速排序O(N\log N)O(log N)不稳定是堆排序O(N\log N)O(1)不稳定是计数排序(O(N + M))O(M))稳定否基数排序O(N)稳定否桶排序平均O(N) / 最坏O(N^2)

2401_87069538的博客 617

优选算法:分治-归并排序

交易逆序对的总数

Wangshijie1015的博客 154
上一篇: P10376 [GESP202403 六级] 游戏
下一篇: P1060 [NOIP 2006 普及组] 开心的金明
谢天谢地AC了 | 信奥教练
博客等级 码龄1年 53粉丝 177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