【二分查找-中等】852. 山脉数组的峰顶索引

菜菜2022

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 201平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄9年

关注

原创最新推荐文章于 2026-08-21 08:23:32 发布 201 阅读 AI 写同款· GEO 优化 ›

LeetCode 852：山脉数组的峰顶索引解析与实现这篇文章详细解析了LeetCode 852题「山脉数组的峰顶索引」的解题思路和实现方法。主要内容包括：题目描述：要求在先递增后递减的山脉数组中，找到峰值元素的下标，时间复杂度需为O(log n)。解题思路：利用二分查找算法，通过比较中间元素与其右侧元素的大小关系来缩小搜索范围：若arr[mid] < arr[mid+1]，说明峰值在右侧否则峰值在左侧或就是mid 代码实现：提供了C++的二分查找实现，详细解释了算法的每一步执行过程。复杂度分析：时间复杂度为O(log n)，空间复杂度为O(1 阅读详情

【题目】
在这里插入图片描述
【代码】
【方法1】二分搜索

class Solution:
    def peakIndexInMountainArray(self, arr: List[int]) -> int:
        n = len(arr)
        left, right, ans = 1, n - 2, 0

        while left <= right:
            mid = (left + right) // 2
            if arr[mid] > arr[mid + 1]:
                ans = mid
                right = mid - 1
            else:
                left = mid + 1
        return ans

收录于

刷题

当前文章被收录于：

刷题

643 篇文章 5 人学习

刷题狂魔

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#算法 #leetcode #数据结构

C++Leetcode852：山脉数组的峰顶索引题目我们把符合下列属性的数组 A 称作山脉： A.length &gt;= 3 存在 0 &lt; i &lt; A.length - 1 使得A[0] &lt; A[1] &lt; … A[i-1] &lt; A[i] &gt; A[i+1] &gt; … &gt; A[A.length - 1] 给定一个确定为山脉的数组，返回任何满足 A[0] &am 阅读详情

相关推荐

leetcode:852.山脉数组的峰顶索引

题目来源：力扣（LeetCode）链接：https://leetcode-cn.com/problems/peak-index-in-a-mountain-array/submissions/ 符合下列属性的数组 arr 称为山峰数组（山脉数组）： arr.length >= 3 存在 i（0 arr[i+1] &

uncle_ll的博客 452

【算法】山脉数组的峰顶索引 & 寻找峰值元素

二分查找的本质，是在“有规律的区间”中不断缩小搜索范围。

qq_2778465975的博客 2万+

Altium Designer20-柔性PCB绘制技巧

Altium Designer2020-柔性PCB绘制技巧注：教程所用PCB随意找的，并没有完全绘制完，大家学习PCB折弯方法即可。 1.打开PCB,点击视图->板子规划模式1，如下图所示 2.点击设计->定义分割线，用两条分割线绘出要折弯的区域 3.点击设计->定义弯曲线(弯曲线呈现黄色) 4.用快捷键d,k进入layer manage stack(层叠管理器)，在f...

weixin_44450279的博客 1万+

【优选算法必刷100题】第021~22题（二分查找算法）：山脉数组的峰顶索引、寻找峰值

🔥❄⭐️。

艾莉丝努力练剑的博客，感谢大家一直以来的对艾莉丝的支持和鼓励，uu们如果对C/C++方向感兴趣的话，可以通过艾莉丝主页的微信名片加艾莉丝的好友，和努力练剑的艾莉丝一起加油！ 1650

PC微信（3.9.2.23）逆向实战：定位并Hook消息接收函数

本文详细介绍了PC微信（3.9.2.23）逆向分析中定位并Hook消息接收函数的完整实战流程。通过Cheat Engine动态定位未读消息数内存地址，结合OllyDbg分析代码上下文，最终找到稳定的Hook点，并分享了实战中的关键注意事项与踩坑经验。

lll78的博客 473

虚拟零售智能客服架构设计：如何用大模型实现多轮对话与精准推荐？

想象一下，当你在一个电商平台购物时，遇到了一个能像你的专属导购一样，不仅能听懂你模糊的需求（“我想买一件适合夏天去海边玩，又能兼顾日常通勤的裙子”），还能记得你之前提到的尺码偏好和预算，甚至在你犹豫时，主动推荐几款符合你风格且正好有促销活动的商品——这不再是科幻电影中的场景，而是基于大语言模型（LLM）技术的新一代虚拟零售智能客服能够提供的体验。这一层是我们架构设计的重点，会在后续章节详细展开。如基于CRF、RNN的模型，或基于规则的状态更新，通常需要大量标注的对话状态数据，且对新领域、新槽位的适应性差。

Java大师兄的博客 1590

二分查找(山脉数组的峰顶索引)(5)

二分查找

2601_95366422的博客 899

Matlab GUIDE -- 串口操作

1、首先新建-->应用程序-->GUIDE。 2、绘制一个简单的UI。 3、然后右击“打开串口”图标-->查看回调-->callback，即可打开此图标的回调函数，此回调函数是press button时执行（可按需要选择其他回调）。 4、在回调函数中添加打开串口的代码。 delete(instrfindall); %删除所有串口 s3 = serial('CO

Asgard-X 2839

LeetCode 852：山脉数组的峰顶索引（二分查找） —— 题解

二分查找经典题目——山脉数组的峰顶索引

2601_96587588的博客 796

ITK-snap进行分割区域标注、三维显示及改变显示颜色

在进行医学图像器官分割时，无论我们是用传统方法还是深度学习，最后肯定要用到手动分割的区域作为金标准来验证我们方法的精度。但是手动标注器官的轮廓是十分耗时的，这里我介绍一个比较简单的标注方法，以肺分割作为例子。我们使用ITK-snap作为分割标注工具。当切片间距离比较小时，比如1mm，一个患者的完整HRCT序列通常在200张以上，如果让医生一一进行分割区域标注是非常耗时乏味的。因此，我们可以使用最简单的阈值法比如OSTU，加上基本的形态学操作对肺进行粗分割得到粗略的分割掩码，在此基础上再手动的对分割结果进

u010409517的博客 2万+

ISMN数据处理

可批量下载，十分方便

m0_46268055的博客 1216

LeetCode 852. 山脉数组的峰顶索引

🌈🌈😄😄 欢迎来到茶色岛独家岛屿，本期将为大家揭晓LeetCode 852. 山脉数组的峰顶索引，做好准备了么，那么开始吧。 🌲🌲🐴🐴

weixin_62275996的博客 1041

槽型光电开关传感器原理图设计，已量产（光电传感器）

在嵌入式设备的位置限位、物料计数等场景中，槽型光电开关是性价比极高的传感器方案 —— 它通过遮挡发射器与接收器之间的光路实现电平切换，电路简单且抗干扰性优于漫反射式光耦。今天分享一个实际项目中落地的槽型光电开关检测电路，从器件选型到逻辑设计都做了简化适配，适合小批量原型或低成本产品的需求。

不脱发的程序猿 720

C++ 面试高频考点力扣 852. 山脉数组的峰顶索引 二分查找 题解每日一题

# 摘要本文详解力扣852题“山脉数组的峰顶索引”，先介绍题目中山脉数组的定义与示例，说明其严格递增后严格递减的特性。接着分析用二分查找的原因——利用数组“二段性”（递增段峰顶在右、递减段峰顶在左），拆解边界初始化（left=1、right=arr.size()-2）、判断条件、指针移动、mid取法等关键细节，给出完整代码，最后总结二分要点并预告下一题“寻找峰值”，助力掌握分段有序数组的二分思路。

Q741_147的博客 1114

解决Jupyter Notebook中Plotly图表显示问题

摘要：在Jupyter Notebook中使用Plotly绘图时遇到图表无法显示的问题。通过分析发现Python 3.12版本与Jupyter存在兼容性问题。解决方案是将Python降级到3.11版本，重新创建虚拟环境后图表正常显示。这表明版本兼容性对数据可视化工具至关重要，环境配置检查是解决问题的关键步骤。该案例为遇到类似问题的开发者提供了参考方案。

m0_74337424的博客 125

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")

模块三：二分——852.山脉数组的峰顶索引

遍历整个数组，寻找数组内符合这个条件的元素即可。峰顶：比左右区间都大。

quantian_的博客 762

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

leetcode 852. 山脉数组的峰顶索引

【题目】852. 山脉数组的峰顶索引我们把符合下列属性的数组 A 称作山脉： A.length >= 3 存在 0 A[i+1] > … > A[A.length - 1] 给定一个确定为山脉的数组，返回任何满足 A[0] < A[...

Sophia_fez的博客 515

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

【二分查找】山脉数组的峰顶索引

符合下列属性的数组arr称为给你由整数组成的山脉数组arr，返回满足的下标i。你必须设计并实现时间复杂度为O(log(n))的解决方案。arr。

lirendada的博客 712

852. 山脉数组的峰顶索引 二分查找

852. 山脉数组的峰顶索引难度简单75收藏分享切换为英文关注反馈我们把符合下列属性的数组A称作山脉： A.length >= 3 存在0 < i< A.length - 1使得A[0] < A[1] < ... A[i-1] < A[i] > A[i+1] > ... > A[A.length - 1] 给定一个确定为山...

包磊磊的博客 444

[Golang]力扣Leetcode - 852. 山脉数组的峰顶索引（二分查找）

[Golang]力扣Leetcode - 852. 山脉数组的峰顶索引（二分查找）题目：符合下列属性的数组 arr 称为山脉数组： arr.length >= 3 存在 i（0 arr[i+1] > … > arr[arr.length - 1] 给你由整数组成的山脉数组 arr ，返回任何满足

皮埃尔的博客 772

【力扣刷题实战】山脉数组的峰顶索引

文章目录目录力扣题目：山脉数组的峰顶索引题目描述解题思路问题理解算法选择具体思路解题要点完整代码（C++）兄弟们共勉！！！每篇前言原题链接：852. 山脉数组的峰顶索引 - 力扣（LeetCode）给定一个长度为的整数山脉数组，其中的值递增到一个峰值元素然后递减。返回峰值元素的下标。你必须设计并实现时间复杂度为的解决方案。示例 1：输入：arr = [0,1,0] 输出：1 示例 2：输入：arr = [0,2,1,0] 输出：1 示例 3：输入：arr = [0,10

2401_85548793的博客 781

leetcode - 852 - 山脉数组的峰顶索引 -java版

文章目录题目代码题目我们把符合下列属性的数组 A 称作山脉： A.length >= 3 存在 0 A[i+1] > … > A[A.length - 1] 给定一个确定为山脉的数组，返回任何满足 A[0] < A[1] <...

lingle1的博客 419

852. 山脉数组的峰顶索引

山脉数组的峰顶索引我们把符合下列属性的数组 A 称作山脉： A.length >= 3 存在 0 A[i+1] > … > A[A.length - 1] 给定一个确定为山脉的数组，返回任何满足 A[0] < A[1] <...

qq_36059306的博客 176

Leetcode-山脉数组的峰顶索引-二分查找

Leetcode-852 解法一：最大值法 class Solution { public: int peakIndexInMountainArray(vector<int>& A) { int n = A.size(),maxx=0; //遍历vector查找最大值 for(int i=0;i<n;i++){ ...

Crazy__coder的博客 322

二分查找算法——山脉数组的峰顶索引＆寻找峰值

【代码】二分查找算法——山脉数组的峰顶索引＆寻找峰值。

2301_80689220的博客 613

二分查找算法——山脉数组的峰顶索引

因为题目明确说明，arr一定是一个山脉数组。在上升阶段包含峰值，都满足当前位置大于前一个位置，在下降阶段，都满足当前位置小于前一个。当mid落到有区间，该位置的值不可能是结果，所以我们直接让right跳过mid，所以right = mid-1.当mid落到左区间，该位置的值有可能就是峰值，所以我们不能让left跳过mid，所以left = mid；因为我们这里并没有单独处理等于的情况，所以这里不能用简单二分，而得用查找区间右端点的写法。因为题目明确告诉我们这是一个山脉数组，所以它的二段性还是非常明显的。

xsc2004zyj的博客 412

上一篇：【Python】python中大小字母之间的转换

下一篇：【双指针-简单】977. 有序数组的平方