剑指Offer55 链表环入口(链表多指针遍历)

本文介绍了一种高效算法,用于在链表中找到环的入口节点,如果链表存在环。通过使用快慢指针策略,算法首先确定环的存在,然后精确定位环的起始位置。

给一个链表,若其中包含环,请找出该链表的环的入口结点,否则,输出null。

8923455-2ac73365bc4a95cd.png
带有环的链表.png
  1. 设置两个指针,快指针每次走两步,慢指针每次走一步
  2. 两个指针同时走,直到相遇
  3. 记录相遇点为B
  4. 设置两个指针,一个从A出发,一个从B出发,必定在C相遇!

为啥呢????

  1. 当在B相遇的时候,快指针比慢指针多走了N个环
  2. 快指针还差BC长度就走了 AC + M个环
  3. 所以BC = AC + S个环
  4. 从A和B同时出发的两个速度相同的指针点显然在C(仔细琢磨为啥)

牛客网

    public ListNode EntryNodeOfLoop(ListNode pHead)
    {
         if(pHead==null||pHead.next==null)return null;
         ListNode p1=pHead;
         ListNode p2=pHead;
        while(p2!=null&&p2.next!=null)
         {
            p1=p1.next;
            p2=p2.next.next;
            if(p1==p2)
            {
                p1=pHead;
                while(p1!=p2)
                {
                    p1=p1.next;
                    p2=p2.next;
                }
                if(p1==p2)return p1;
            }
        }
        return null;
    }
【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文提出了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学公开的轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号分解精度,抑制模态混叠;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的动态特征,最终实现高精度的轴承故障分类。整个诊断流程充分结合了信号预处理、智能优化与深度学习的优势,显著提升了复杂工况下轴承故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①应用于旋转机械设备的智能运维与故障预警系统;②为轴承等关键部件的早期故障识别提供高精度诊断方案;③推动智能优化算法与深度学习在工业信号处理领域的融合研究。; 阅读建议:建议读者结合MATLAB代码实现,深入理解OCSSA优化机制、VMD参数选择策略以及CNN-BiLSTM网络结构的设计逻辑,通过复现实验掌握完整诊断流程,并可进一步尝试迁移至其他设备的故障诊断任务中进行验证与优化。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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