题目1 : 单词搜索
给定一个二维网格和一个单词，找出该单词是否存在于网格中。
单词必须按照字母顺序，通过相邻的单元格内的字母构成，其中“相邻”单元格是那些水平相邻或垂直相邻的单元格。同一个单元格内的字母不允许被重复使用。
示例:
board =
[
[‘A’,’B’,’C’,’E’],
[‘S’,’F’,’C’,’S’],
[‘A’,’D’,’E’,’E’]
]
给定 word = “ABCCED”, 返回 true.
给定 word = “SEE”, 返回 true.
给定 word = “ABCB”, 返回 false.
解题思路：简单DFS，注意边界条件的判断和点的回溯（index和visted）
#include <iostream>
#include <vector>
#include <string>
using namespace std;
class Solution
{
public:
strin
继续阅读 >>
刘生玺
18/08/11 09:54:45
关于他们的思想，这里就不再罗嗦了，直接 show you my code ,看题讨论 。
题目1：自然是最最经典的塔类问题啦（数字之塔 ）
有如下所示的数塔，要求从顶层走到底层，若每一步只能走到相邻的结点，则经过的结点的数字之和最大是多少？
Input
输入数据首先包括一个整数C，表示数据的个数。
每个测试实例的第一行是一个整数N(1 <= N <= 100)，表示数塔的高度，接下来用N行数字表示数塔，其中第i行有个i个整数，且所有的整数均在区间[0,99]内。
Output
对于每个测试实例，输出可能得到的最大和，每个实例的输出占一行。
Sample Input
1
5
7
3 8
8 1 0
2 7 4 4
4 5 2 6 5
Sample Output
30
解题思路：这类问题从塔的底层开始看起，从倒数第二层计算找到一个最大的和（倒数第二层与倒数第一层左右的和），比如：在这道题中，可以找到( 21,9,25,28,19,13,
继续阅读 >>
刘生玺
18/08/07 09:31:03
关于他们的思想，这里就不再罗嗦了，直接 show you my code ,看题讨论 。
题目1： 5×5迷宫 + 保存路径
定义一个二维数组：
int maze[5][5] = {
0, 1, 0, 0, 0,
0, 1, 0, 1, 0,
0, 0, 0, 0, 0,
0, 1, 1, 1, 0,
0, 0, 0, 1, 0,
};
它表示一个迷宫，其中的1表示墙壁，0表示可以走的路，
只能横着走或竖着走，不能斜着走，
要求编程序找出从左上角到右下角的最短路线。
Input
一个5 × 5的二维数组，表示一个迷宫。数据保证有唯一解。
Output
左上角到右下角的最短路径，格式如样例所示。
Sample Input
0 1 0 0 0
0 1 0 1 0
0 0 0 0 0
0 1 1 1 0
0 0 0 1 0
Sample Output
(0, 0)
(1, 0)
(2, 0)
(2, 1)
(2, 2)
(2, 3)
(2,
继续阅读 >>
刘生玺
18/08/06 12:21:20
前言，记得某一次开会的时候，学长学姐就说过让我们去看fork源码，结果一直没有时间去看（其实是懒），这不，正好碰上这次开进程的讲座，就在讲座之前看了一波源码，也算是了了一波自己阅读源码的心愿 。
首先我们得基本了解一下，task_struct 与 thread_info结构是怎么一回事。
1. linux中的PCB的实体（task_struct）
其实标题已经说的很清楚了。它就是我们常说的进程控制块。
PCB通常记载进程之相关信息，包括：
进程状态：可以是new、ready、running、waiting或 blocked等。
程序计数器：接着要运行的指令地址。
CPU寄存器：如累加器、变址寄存器、堆栈指针以及一般用途寄存器、状况代码等， 主要用途在于中断时暂时存储数据，以便稍后继续利用；其数量及类别因计算机体系结构有所差异。
CPU排班法：优先级、排班队列等指针以及其他参数。
存储器管理：如标签页表等。
会计信息：如CPU与实际时间之使用数量、
继续阅读 >>
刘生玺
18/08/01 17:21:40
题意：原题链接
编写一个高效的算法来搜索 m x n 矩阵 matrix 中的一个目标值 target。该矩阵具有以下特性：
每行的元素从左到右升序排列。
每列的元素从上到下升序排列。
示例:
现有矩阵 matrix 如下：
[
[1, 4, 7, 11, 15],
[2, 5, 8, 12, 19],
[3, 6, 9, 16, 22],
[10, 13, 14, 17, 24],
[18, 21, 23, 26, 30]
]
给定 target = 5，返回 true。
给定 target = 20，返回 false。
很显然，遍历该二位数组是最愚蠢的做法，如果这样做也是挺智障的。那有没有更好的想法呐？emmmmmmm，好吧，还是直说吧，就不废话了 。用我们刚刚讲过的二叉查找树的思路解决。
思路：从该二维数组右上角的数字开始，如果该数字和target相等，那么查找完毕；如果小于，往左走，如果大于往下走 。就像二叉查找树一样，就
继续阅读 >>
刘生玺
18/07/28 15:34:19
最近写项目写得让人有点烦躁，于是找了点新鲜的东西搞——二叉查找树（BST），来提提兴趣，废话不多说，现在就让我们进入BST的世界吧！
1. 定义
二叉查找树（Binary Search Tree），又称二叉排序树（Binary Sort Tree），亦称二叉搜索树。二叉排序树或者是一棵空树，或者是具有下列性质的二叉树：
若左子树不空，则左子树上所有结点的值均小于或等于它的根结点的值；
若右子树不空，则右子树上所有结点的值均大于或等于它的根结点的值；
左、右子树也分别为二叉排序树；
比如：
其实说了这么多，不就是左边的节点比根节点小，右边的节点比根节点大嘛。哼~（当然还有相等的情况）
2. BST的来源
数组和链表以及BST在使用数据时的优缺点：
数据结构
优点
缺点
数组
直接使用下标查找
不便于删除或者插入
链表
删除或者插入方便
不便于查找
BST
兼顾具有两者的优点
。。。
可见
继续阅读 >>
刘生玺
18/07/27 14:49:03
最长上升子序列（LIS）的定义：
一个数的序列bi，当b1 < b2 < … < bS的时候，我们称这个序列是上升的。对于给定的一个序列(a1, a2, …, aN)，我们可以得到一些上升的子序列(ai1, ai2, …, aiK)，这里1 <= i1 < i2 < … < iK <= N。比如，对于序列(1, 7, 3, 5, 9, 4, 8)，有它的一些上升子序列，如(1, 7), (3, 4, 8)等等。这些子序列中最长的长度是4，比如子序列(1, 3, 5, 8).
三种求解方法：
1. O(n^2)的DP
2. O(nlogn)的二分+贪心法
3. O(nlogn)的树状数组优化的DP
题目：Longest Increasing Subsequence
给定一个无序的整数数组，找到其中最长上升子序列的长度。
示例:
输入: [10,9,2,5,3,7,101,18]
输出: 4
解释: 最长的上升子序列是 [2,
继续阅读 >>
刘生玺
18/07/20 12:10:14
题目：不同路径
一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为“Start” ）。
机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为“Finish”）。
问总共有多少条不同的路径？
例如，上图是一个7 x 3 的网格。有多少可能的路径？
说明：m 和 n 的值均不超过 100。
示例 1:
输入: m = 3, n = 2
输出: 3
解释:
从左上角开始，总共有 3 条路径可以到达右下角。
1. 向右 -> 向右 -> 向下
2. 向右 -> 向下 -> 向右
3. 向下 -> 向右 -> 向右
示例 2:
输入: m = 7, n = 3
输出: 28
原题链接：https://leetcode-cn.com/explore/interview/card/top-interview-questions-medium/51/dynamic-programming/105/
继续阅读 >>
刘生玺
18/07/19 11:15:47
1. 感性认识“动态规划”
1. 基本概念
是求解决策过程(decision process)最优化的数学方法。把多阶段过程转化为一系列单阶段问题，利用各阶段之间的关系，逐个求解，是一种解决这类过程优化问题的新方法。
2. 使用技巧：
动态规划算法通常用于求解具有某种最优性质的问题！！！特别的 ，动态规划（Dynamic Programming）对于子问题重叠的情况特别有效，因为它将子问题的解保存在表格中，当需要某个子问题的解时，直接取值即可，从而避免重复计算！
3. 基本思想与策略
我们通过一个问题来引出：
提问：动态规划与分治法有什么不同？
答：适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题
继续阅读 >>
刘生玺
18/07/18 19:02:57
全排列算法思想：
1. 全排列的定义和公式：
从n个不同元素中任取m（m≤n）个元素，按照一定的顺序排列起来，叫做从n个不同元素中取出m个元素的一个排列。当m=n时所有的排列情况叫全排列。由排列的定义，显然不同的顺序是一个不同的排列。从n个元素中取m个元素的所有排列的个数，称为排列数。从n个元素取出n个元素的一个排列，称为一个全排列。
公式：全排列数f(n) = n! (定义0!=1)
2. 时间复杂度：
n个数（字符、对象）的全排列一共有n!种，所以全排列算法至少时间O(n!)的。如果要对全排列进行输出，那么输出的时间要O(n∗n!)，因为每一个排列都有n个数据。所以实际上，全排列算法对大型的数据是无法处理的，而一般情况下也不会要求我们去遍历一个大型数据的全排列。
3. 全排列的初始思想
为了解决一个算法问题，我们选择从基本的想法做起。先回顾一下我们自己是如何写一组数的全排列的：1，3，5，9
首先肯定是 ：
1 ，[3， 5，9的全排列]
3
继续阅读 >>
刘生玺
18/07/17 11:08:08