news 2026/5/1 11:06:51

代码随想录--6.回溯学习记录

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
代码随想录--6.回溯学习记录

一些回溯的心得

也是让我蹭上困难level的题了,比较自豪的是截至目前已经尽力把所有问题往二叉树的结构方向靠拢,致力于只用一招破题。说白了就是travel中的for循环为当前节点所在层的遍历,而for内的travel则是当前节点往下走的延伸。需要注意的点就是针对不同场景,要考虑返回值是void还是bool(当然我个人还是喜欢void,bool实在难以得心应手),要找的方案是只有一个还是若干,这都会影响具体代码实现细节,比如if中需不需要return,for每次从哪开始,需不需要记录当前index并传参到下一次travel中。

最终需要的结果大都是二维vector,区别在于内里的vector是什么类型一般是int或者string,相比标准解法中的直接在string上操作,我更喜欢用vector<int>来进行处理,最后发现符合需求时再转换成vector<string>并纳入最终res中,事实上感觉这种不需要变化太多的处理流程我想称之为范式,只需要针对不同场景在细节处仔细斟酌即可,大方向都是一个套路,下面以N皇后为例

N皇后

整个代码是比较丝滑地写出来的,一气呵成,(当然也可能因为是上午做的,脑袋比较清醒,昨晚的安排行程那题就给我做破防了(后来怒刷韩剧去了,模范出租车还是太爽了看得),同为困难却也亦有差距啊)从看题到思索再到写出,唯一花时间的地方就是判断排兵布阵的合法性,最后跑通并对比标准答案后也证实了我这套范式的可行性,起码简约且舒适。

class Solution { public: bool isR(vector<int>& dis,int n,int target){ if(dis.empty())return true; if(find(dis.begin(),dis.end(),target)!=dis.end()) return false; for(int i=dis.size()-1;i>=0;i--){ if(abs(dis[i]-target)==dis.size()-i) return false; } return true; } vector<vector<string>> res; vector<int> dis; void travel(int n){ if(dis.size()==n){ string s(n,'.'); vector<string> sol(n,s); for(int i=0;i<n;i++){ sol[i][dis[i]]='Q'; } res.emplace_back(sol); } for(int i=0;i<n;i++){ if(isR(dis,n,i)){ dis.push_back(i); travel(n); dis.pop_back(); } } } vector<vector<string>> solveNQueens(int n) { travel(n); return res; } };

看完就发现来来回回无非就这么几套,满足条件如果复杂就写个isR()函数判断,简单就直接在for或者if中判断,然后记得travel前后操作保持对称,所以有的涉及到重复问题(标准答案给的是用used的vector记录)我都是懒得整直接最后输出res之后排序然后unique去重之类的。但这些重复的问题在未来肯定会经常碰到,都还缺乏对我而言舒适且真正稳固耐用的范式,所以之后n刷的时候需要重点考虑。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/21 18:02:46

Java如何利用WebUploader实现多文件批量分片上传?

大文件传输系统解决方案 作为公司技术负责人&#xff0c;针对大文件传输需求&#xff0c;我将从技术选型、架构设计和实现方案等方面进行全面分析。 需求分析 我们的核心需求可以总结为&#xff1a; 支持超大文件(50G)及文件夹传输断点续传需高可靠(支持浏览器刷新/关闭)文…

作者头像 李华
网站建设 2026/5/1 10:03:23

从崩溃到自愈:揭秘Open-AutoGLM高成功率背后的4层恢复架构

第一章&#xff1a;Open-AutoGLM 任务成功率错误恢复对比在评估 Open-AutoGLM 框架的稳定性与智能决策能力时&#xff0c;任务成功率及其错误恢复机制成为关键指标。该框架通过动态上下文感知和多轮推理优化&#xff0c;在复杂任务执行中展现出较强的容错能力。错误类型与恢复策…

作者头像 李华
网站建设 2026/5/1 6:56:30

(Open-AutoGLM隐私机制解密):20年安全专家眼中的下一代可信AI架构

第一章&#xff1a;Open-AutoGLM隐私保护机制领先性分析 Open-AutoGLM作为新一代开源自动语言生成模型&#xff0c;其隐私保护机制在设计之初即融入了端到端的数据安全理念。该机制不仅遵循GDPR等国际隐私规范&#xff0c;更通过技术创新实现了用户数据最小化、去标识化与本地化…

作者头像 李华
网站建设 2026/5/1 10:42:03

Open-AutoGLM适配时间大缩水:从72小时到8小时,技术突破点究竟在哪?

第一章&#xff1a;Open-AutoGLM应用适配数量更新速度比拼在当前大模型生态快速演进的背景下&#xff0c;Open-AutoGLM 作为开源自动化语言模型集成框架&#xff0c;其应用适配能力成为衡量系统生命力的重要指标。不同版本分支在支持新应用接入的数量与更新频率上表现出显著差异…

作者头像 李华
网站建设 2026/4/30 11:33:25

FaceFusion镜像集成日志审计功能满足合规要求

FaceFusion镜像集成日志审计功能满足合规要求 在AI生成内容&#xff08;AIGC&#xff09;迅猛发展的今天&#xff0c;人脸替换技术正以前所未有的速度渗透进影视制作、虚拟主播、数字人构建等高价值场景。FaceFusion作为当前开源社区中最具代表性的高性能人脸交换工具之一&…

作者头像 李华
网站建设 2026/5/1 9:34:27

FaceFusion如何避免“恐怖谷效应”?技术解析

FaceFusion如何避免“恐怖谷效应”&#xff1f;技术解析 在影视特效、虚拟主播和AI内容创作日益普及的今天&#xff0c;人脸替换技术已经不再是实验室里的新奇玩具。从Deepfake到FaceFusion&#xff0c;这类工具正以前所未有的速度走向大众化。然而&#xff0c;一个挥之不去的问…

作者头像 李华