xiaoyu❅的博客

后缀数组（Suffix Array）是某个字符串的所有后缀按字典序排序后的数组。给定字符串S，其所有后缀为S[0...n-1]S[1...n-1], ...,S[n-1]（共n个）。将这些后缀按字典序排序后，记录排序后的后缀起始下标，即为后缀数组sa。示例字符串，其后缀数组为a(下标5)ana(下标3)anana(下标1)banana(下标0)na(下标4)nana(下标2)优势高效构建：倍增算法的时间复杂度为 O(n log n)。功能强大：支持快速查找子串、LCP等问题。适用场景。

BFPRT算法展现了算法设计中平衡理论界限与工程实践的智慧结晶。虽然在实际应用中可能不如随机化算法快，但其确定性特征和严格的时间复杂度保证，使其在关键系统中仍具有不可替代的价值。理解这一算法，不仅能提升解决实际问题的能力，更能深化对分治策略和递归复杂度的认知。

AC自动机（Aho-Corasick算法）是一种用于多模式字符串匹配的高效算法，广泛应用于敏感词过滤、文本搜索等领域。本文将深入探讨AC自动机的工作原理、构建过程以及如何使用Java语言来实现这一强大的算法。

明确语义dp[i][j]表示区间[i,j]的最优解示例：石子合并问题中，dp[i][j]表示合并第i到第j堆石子的最小代价1.定义区间状态→ 2.预处理前缀和→ 3.枚举分割点→ 4.合并子区间解高阶优化方向记忆化搜索实现四边形不等式优化状态压缩（如滚动数组）问题转换（将环形问题转为线性）

状态压缩动态规划（State Compression DP）是一种利用位运算优化状态存储的DP实现技术。通过将多维状态压缩为整数的二进制位表示，可以显著减少空间复杂度，特别适用于处理包含大量状态但状态之间存在强关联性的问题。：当前已访问城市状态为state，最后停留在城市u的最短路径// 其中 prev_state = state ^ (1 << u)掌握核心思想：将状态信息编码为整数熟练位运算：灵活使用与、或、异或等操作问题建模能力：将实际问题转化为状态转移模型空间优化意识。

数位DP的核心在于将数字视为位序列处理1. 数位分解→ 2.状态设计→ 3.记忆化搜索→ 4.结果合成。

节点维度dp[u][s]表示节点u在状态s下的最优解常见状态选择/不选当前节点颜色标记（如红黑树着色问题）距离限制（如树的直径）dp[u][0]：不选节点u时的最大快乐值dp[u][1]：选择节点u时的最大快乐值int val;树形DP的解题关键定义合适的状态：通常与节点选择/属性相关设计正确的转移方程：考虑所有子节点状态组合掌握后序遍历特性：先处理子树再合并结果高阶扩展方向结合图论处理森林问题处理动态树结构（Link-Cut Tree）结合贪心思想优化状态转移。

明确语义dp[i]或dp[i][j]的具体含义示例dp[i]表示以nums[i]结尾的最长上升子序列长度dp[i][j]表示与的最长公共子序列长度dp[i][0]：第i天持有股票的最大收益dp[i][1]：第i天不持有股票（非冷冻期）dp[i][2]：第i天处于冷冻期掌握线性DP的关键在于培养状态定义的直觉。建议从简单问题入手，逐步体会状态转移的内在规律，最终达到看到问题就能自然拆解状态的水平。

核心心法0-1背包倒序遍历，完全背包正序遍历"选择"与"不选择"的决策贯穿所有背包问题解题步骤定义状态 → 推导方程 → 确定遍历顺序 → 空间优化扩展思考如何记录具体选择方案？多维费用背包如何处理？背包问题与图论的联系？推荐练习LeetCode 474. 一和零（二维费用背包）LeetCode 1049. 最后一块石头的重量 II（转换背包问题）LeetCode 1449. 数位成本和为目标值的最大数字（背包路径记录）

动态规划（Dynamic Programming, DP）本质是一种通过**"聪明的穷举"解决问题的思想。它的核心是发现重叠子问题和最优子结构**，并通过存储中间结果避免重复计算。暴力递归 → 发现重复计算 → 记忆化搜索 → 推导状态转移 → 自底向上动态规划定义状态：明确dp数组的含义推导转移方程：分析状态间的关系初始化：设置边界条件确定遍历顺序：保证前置状态已计算输出结果：从dp数组中提取答案。

动态规划（Dynamic Programming, DP）是一种通过将复杂问题分解为重叠子问题，并记录子问题解来避免重复计算的算法设计方法。其核心思想是“记忆化存储”和“最优子结构”，常用于解决最优化问题（如最大值、最小值、最优路径等）。明确dp数组的含义。dp[i]表示前i个元素的最优解dp[i][j]表示从位置(0,0)到(i,j)的最优路径动态规划通过将问题分解为重叠子问题，显著降低了计算复杂度。掌握其核心原理和解题步骤后，可逐步攻克更复杂的算法问题。

Manacher算法通过对称性利用和预处理技巧，高效解决最长回文子串问题。其核心在于维护回文半径数组和动态更新最远右边界，避免重复计算。掌握这一算法，可显著提升字符串处理效率。

        在字符串匹配问题中，暴力搜索（Brute Force）方法虽然简单直观，但效率较低。对于大规模数据的处理，我们需要一种更高效的算法——KMP（Knuth-Morris-Pratt）算法。本文将深入探讨KMP算法的工作原理、关键概念以及如何实现它。

暴力递归是算法设计的起点，也是理解动态规划的基础。本文将通过经典案例解析暴力递归的核心思想、实现方法及优化方向，助你掌握这一“简单却强大”的算法思维！

Morris遍历算法通过巧妙的线索化方法，实现了二叉树遍历的O(1)空间复杂度！本文将深入解析其核心思想，并提供完整的Java代码实现，带你领略这一经典算法的精妙之处。

总的来说，蓄水池抽样算法是一种非常实用的随机抽样技术，尤其适用于资源受限和数据量大的场景。尽管存在一些局限性，但它的优点通常远远超过其缺点，使其成为处理大规模数据集时的一个很好的选择。

总的来说，回溯算法是一种强大的问题解决工具，特别适合处理那些可以通过逐步构建解决方案来解决的问题。然而，由于其高时间复杂度和空间需求，在实际应用中可能需要进行适当的优化。通过剪枝、约束加强、启发式搜索等策略，可以有效提高回溯算法的效率，使其更好地应用于实际问题中。

总的来说，Floyd算法是一种计算图中所有顶点对之间最短路径的动态规划算法，它能够处理包含负权边的图，但不允许存在负权回路。适用于小型到中等规模稠密图的算法，尤其是在需要全局最短路径信息时。对于大型稀疏图或者单源最短路径问题，其他算法如Dijkstra算法可能更加合适。

程序中的所有数在计算机内存中都是以二进制的形式储存的。即 0、1 两种状态，位运算就是直接对整数在内存中的二进制位进行操作。由于是底层运算，如果运用得当可以以降低空间需求和提高执行效率。

归并排序（Merge Sort）是一种分治法（Divide and Conquer）的典型应用，它将待排序的数据分为两半，分别对这两半进行排序，然后将排序好的两半合并成一个有序的数组。归并排序的时间复杂度为O(nlogn)，空间复杂度为O(n)。归并排序，顾名思义先归（递归）后并（合并）的一种排序方式，将数组的数据分而治之。（归）将待排序的数据通过递归拆分到只有一个元素，那么它已经是有序的，直接返回。（并）将排序好的两半合并成一个最终的有序数组。时间复杂度低：归并排序的总体时间复杂度为。

不基于比较的排序算法主要有计数排序、基数排序等。核心思想是避免直接比较元素之间的大小关系，而是利用其他信息（如数值的分布特征或数字的位信息）来实现排序。计数排序是一种非比较型整数排序算法，其核心在于将输入的数据值转化为键，存储在额外开辟的数组空间中。计数排序在处理有限范围内的整数排序问题时，尤其是在数据分布密集的情况下，通常能够提供更好的内存效率。然而，如果数据范围很大或者数据分布非常稀疏，那么计数排序可能会导致辅助空间过大，从而不再节省内存。

快速排序是一种二叉树结构的交换排序方法，采用分治策略来对数据进行排序。选择基准值：通常选择序列的第一个或最后一个元素作为基准值。分区操作：重新排列序列，使得所有小于或等于基准值的元素都移到基准的左边，而所有大于基准值的元素都移到基准的右边。这一步完成后，基准值所在的位置就是其最终位置。递归排序：递归地将小于基准值的子序列和大于基准值的子序列再次进行快速排序。简而言之，就是将待排序集合分割成两个子序列，左子序列中所有元素均小于基准值，右子序列中所有元素均大于基准值。再对左右两子序列分别递归排序。

简单易懂，实现简单。适用于有向图和无向图。时间复杂度较低，在稀疏图中表现较好。不能处理负权边。空间复杂度较高，毕竟需要存储所有顶点的最短距离。不适用于大规模图，效率较低。Dijkstra算法广泛应用于网络路由、地图导航、交通规划等领域，用于计算最短路径问题。然而，在实际应用中，需要注意算法的适用性和效率，根据具体问题选择合适的算法。