滑动窗口的通用框架

简介: 滑动窗口的通用框架

滑动窗口的通用框架

 

/**
 *    ★☆  启发:
 * 分析一道题目或者归类一类题目:不能跳过每道题目中具体的题意条件限制
 * 要分析出该题目的特点,★ 就应该好好分析改题目的题意限制里暗藏了什么可能性
 */
package 数组;
/**
 * 特点:双指针,然后是同方向的
 * @author Huangyujun
 * 
 * 什么时候使用?(与子数组/字符串 有关的题目)
 * 滑动窗口:是双指针的题目
找出一个数组中满足一定条件的子数组问题,字符串也可以看成数组。看到子数组问题,就是DP回溯滑动窗口这三种之一
 * 
 * 
 * 
 * 滑动窗口的通用框架 1:(例题:209_长度最小的子数组)
 * (做题特点 一:题目给定了具体的值target,但是是要求 >=target,此条件的可以得到的可能情况比较多 【例如题目 要求某种情况下>= target】,而大于target的可能情况就会比较多了
 * ① 先移动右指针确定窗口的大致可能范围(在这大致可能范围里找到最优范围),然后暂时固定住右指针,
 * ② 在满足条件(满足target下):不断的移动左指针,缩小窗口
 * ③ 当不满足target了,又开始移动 右指针,然后。。。。。又确定下来窗口的大致可能范围(在这大致可能范围里找到最优范围),然后暂时固定住右指针,
 * 特点2,形式上的特点(左右指针移动的方向):是一开始左右指针,同方法移动)
 *
 */
//public class 滑动窗口的通用框架 1{
//     public String slidingWindow(String s, String t) {
//            // 起始的时候,都位于 0,同方向移动
//            int left = 0;
//            int right = 0;
//            int sLen = s.length();
//            while (right < sLen) {
//                char c = s.charAt(right);
//                right++;
//                //对状态做修改
//                while ( 满足某种条件 ) {
//                   //更新ans可能的地方之一
//                    char c1 = s.charAt(left);
//                    left++;
//                    //对状态做修改
//                }
//                //更新ans可能的地方之二
//            }
//            return 需要的结果变量;
//        }
//}
/**
 *  * 滑动窗口的通用框架 2:(例题:57_和为s的连续正数序列)
 *  做题特点 一:题目给定了具体的值target,这个target条件的可能弹性空间唯一了 【例如题目 要求某种情况下= target】,而等于target的可能情况在“暂时固定下的范围窗口中情况就是固定下该窗口呀”
 *  ① == target,这种直接通过判断找窗口范围,找到一个固定窗口范围后,移动左边指针(达到整体窗口向前移动)去找下一个固定窗口范围
 *  这类题:直接 分:①== target,② < target , ③ > target 来找合适的固定窗口范围
 */
//public class 滑动窗口的通用框架 2{
//    public String slidingWindow(int target) {
//           // 起始的时候,同方向移动
//           int left = 1;
//           int right = 2;
//           while (l < r) {
//                更新ans
//                if( ans == target){
//                    //需要的结果,得到了一个
//                    l++;
//                }else if(ans < target){    //比target小,右指针往前移动,扩大范围
//                    r++;
//                }else{        //比target大,左指针往前移动,缩小范围
//                    l++;
//                }
//              
//           }
//           return 需要的结果变量;
//       }
//}



目录
相关文章
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
深度剖析:注意力机制中的兼容性函数及其优化策略
深度剖析:注意力机制中的兼容性函数及其优化策略
|
3月前
|
JSON 计算机视觉 数据格式
LangChain-17 FunctionCalling 利用大模型对函数进行回调 扩展大模型的额外的能力 比如实现加减乘除等功能
LangChain-17 FunctionCalling 利用大模型对函数进行回调 扩展大模型的额外的能力 比如实现加减乘除等功能
67 4
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
Tokenformer:基于参数标记化的高效可扩展Transformer架构
本文是对发表于arXiv的论文 "TOKENFORMER: RETHINKING TRANSFORMER SCALING WITH TOKENIZED MODEL PARAMETERS" 的深入解读与扩展分析。主要探讨了一种革新性的Transformer架构设计方案,该方案通过参数标记化实现了模型的高效扩展和计算优化。
178 0
|
8月前
|
自然语言处理
LLM上下文窗口突破200万!无需架构变化+复杂微调,轻松扩展8倍
【5月更文挑战第12天】LongRoPE研究突破LLM上下文窗口限制,无需架构变更和复杂微调,实现8倍扩展至2048万个token。该方法利用位置嵌入非均匀性,通过高效搜索和优化初始化,适用于处理长文本任务,对模型性能影响小。但可能需要较多计算资源,且2048万的长度是否足够所有任务尚待探讨。[论文链接](https://arxiv.org/abs/2402.13753)
190 1
|
8月前
|
监控 Serverless API
阿里云函数计算的工作原理与事件驱动模型密切相关
【4月更文挑战第17天】阿里云函数计算的工作原理与事件驱动模型密切相关
153 4
|
安全 编译器 C语言
c++学习之c++对c的扩展1
c++学习之c++对c的扩展1
117 0
|
编译器 C语言 C++
c++学习之c++对c的扩展2
c++学习之c++对c的扩展2
81 0
|
存储
核心特性—分布式线性扩展
史上最优惠活动:阿里云企业云服务器全场2折起
177 0
核心特性—分布式线性扩展
Netty如何实现高效且万能的解码器?(中)
Netty如何实现高效且万能的解码器?
178 0
Netty如何实现高效且万能的解码器?(中)
|
数据格式
Netty如何实现高效且万能的解码器?(上)
Netty如何实现高效且万能的解码器?
181 0
Netty如何实现高效且万能的解码器?(上)