From 3957e9583d105207cb1d36e38d27c62d6b4111da Mon Sep 17 00:00:00 2001
From: youngyangyang04 <826123027@qq.com>
Date: Wed, 14 Jul 2021 15:45:42 +0800
Subject: [PATCH] Update
---
README.md | 44 +--
problems/0042.接雨水.md | 357 ++++++++++++++++++
.../0583.两个字符串的删除操作.md | 2 +-
3 files changed, 381 insertions(+), 22 deletions(-)
create mode 100644 problems/0042.接雨水.md
diff --git a/README.md b/README.md
index a2a57b09..ad22aeab 100644
--- a/README.md
+++ b/README.md
@@ -275,10 +275,10 @@
16. [回溯算法:排列问题(二)](./problems/0047.全排列II.md)
17. [本周小结!(回溯算法系列三)](./problems/周总结/20201112回溯周末总结.md)
18. [回溯算法去重问题的另一种写法](./problems/回溯算法去重问题的另一种写法.md)
-23. [回溯算法:重新安排行程](./problems/0332.重新安排行程.md)
-24. [回溯算法:N皇后问题](./problems/0051.N皇后.md)
-25. [回溯算法:解数独](./problems/0037.解数独.md)
-26. [一篇总结带你彻底搞透回溯算法!](./problems/回溯总结.md)
+19. [回溯算法:重新安排行程](./problems/0332.重新安排行程.md)
+20. [回溯算法:N皇后问题](./problems/0051.N皇后.md)
+21. [回溯算法:解数独](./problems/0037.解数独.md)
+22. [一篇总结带你彻底搞透回溯算法!](./problems/回溯总结.md)
## 贪心算法
@@ -365,41 +365,43 @@
32. [动态规划:买卖股票的最佳时机](./problems/0121.买卖股票的最佳时机.md)
33. [动态规划:本周我们都讲了这些(系列六)](./problems/周总结/20210225动规周末总结.md)
-33. [动态规划:买卖股票的最佳时机II](./problems/0122.买卖股票的最佳时机II(动态规划).md)
-34. [动态规划:买卖股票的最佳时机III](./problems/0123.买卖股票的最佳时机III.md)
-35. [动态规划:买卖股票的最佳时机IV](./problems/0188.买卖股票的最佳时机IV.md)
-36. [动态规划:最佳买卖股票时机含冷冻期](./problems/0309.最佳买卖股票时机含冷冻期.md)
-37. [动态规划:本周我们都讲了这些(系列七)](./problems/周总结/20210304动规周末总结.md)
-38. [动态规划:买卖股票的最佳时机含手续费](./problems/0714.买卖股票的最佳时机含手续费(动态规划).md)
-39. [动态规划:股票系列总结篇](./problems/动态规划-股票问题总结篇.md)
+34. [动态规划:买卖股票的最佳时机II](./problems/0122.买卖股票的最佳时机II(动态规划).md)
+35. [动态规划:买卖股票的最佳时机III](./problems/0123.买卖股票的最佳时机III.md)
+36. [动态规划:买卖股票的最佳时机IV](./problems/0188.买卖股票的最佳时机IV.md)
+37. [动态规划:最佳买卖股票时机含冷冻期](./problems/0309.最佳买卖股票时机含冷冻期.md)
+38. [动态规划:本周我们都讲了这些(系列七)](./problems/周总结/20210304动规周末总结.md)
+39. [动态规划:买卖股票的最佳时机含手续费](./problems/0714.买卖股票的最佳时机含手续费(动态规划).md)
+40. [动态规划:股票系列总结篇](./problems/动态规划-股票问题总结篇.md)
子序列系列:
-40. [动态规划:最长递增子序列](./problems/0300.最长上升子序列.md)
-41. [动态规划:最长连续递增序列](./problems/0674.最长连续递增序列.md)
-42. [动态规划:最长重复子数组](./problems/0718.最长重复子数组.md)
-43. [动态规划:最长公共子序列](./problems/1143.最长公共子序列.md)
+41. [动态规划:最长递增子序列](./problems/0300.最长上升子序列.md)
+42. [动态规划:最长连续递增序列](./problems/0674.最长连续递增序列.md)
+43. [动态规划:最长重复子数组](./problems/0718.最长重复子数组.md)
+44. [动态规划:最长公共子序列](./problems/1143.最长公共子序列.md)
45. [动态规划:不相交的线](./problems/1035.不相交的线.md)
46. [动态规划:最大子序和](./problems/0053.最大子序和(动态规划).md)
47. [动态规划:判断子序列](./problems/0392.判断子序列.md)
48. [动态规划:不同的子序列](./problems/0115.不同的子序列.md)
49. [动态规划:两个字符串的删除操作](./problems/0583.两个字符串的删除操作.md)
-51. [动态规划:编辑距离](./problems/0072.编辑距离.md)
-52. [为了绝杀编辑距离,Carl做了三步铺垫,你都知道么?](./problems/为了绝杀编辑距离,卡尔做了三步铺垫.md)
-53. [动态规划:回文子串](./problems/0647.回文子串.md)
-54. [动态规划:最长回文子序列](./problems/0516.最长回文子序列.md)
-55. [动态规划总结篇](./problems/动态规划总结篇.md)
+50. [动态规划:编辑距离](./problems/0072.编辑距离.md)
+51. [为了绝杀编辑距离,Carl做了三步铺垫,你都知道么?](./problems/为了绝杀编辑距离,卡尔做了三步铺垫.md)
+52. [动态规划:回文子串](./problems/0647.回文子串.md)
+53. [动态规划:最长回文子序列](./problems/0516.最长回文子序列.md)
+54. [动态规划总结篇](./problems/动态规划总结篇.md)
-(持续更新中....)
## 单调栈
1. [单调栈:每日温度](./problems/0739.每日温度.md)
2. [单调栈:下一个更大元素I](./problems/0496.下一个更大元素I.md)
3. [单调栈:下一个更大元素II](./problems/0503.下一个更大元素II.md)
+4. [单调栈:接雨水](./problems/0042.接雨水.md)
+
+(持续更新中....)
## 图论
diff --git a/problems/0042.接雨水.md b/problems/0042.接雨水.md
new file mode 100644
index 00000000..55a5c522
--- /dev/null
+++ b/problems/0042.接雨水.md
@@ -0,0 +1,357 @@
+
+
+# 42. 接雨水
+
+题目链接:https://leetcode-cn.com/problems/trapping-rain-water/
+
+给定 n 个非负整数表示每个宽度为 1 的柱子的高度图,计算按此排列的柱子,下雨之后能接多少雨水。
+
+示例 1:
+
+
+
+* 输入:height = [0,1,0,2,1,0,1,3,2,1,2,1]
+* 输出:6
+* 解释:上面是由数组 [0,1,0,2,1,0,1,3,2,1,2,1] 表示的高度图,在这种情况下,可以接 6 个单位的雨水(蓝色部分表示雨水)。
+
+示例 2:
+
+* 输入:height = [4,2,0,3,2,5]
+* 输出:9
+
+
+# 思路
+
+接雨水问题在面试中还是常见题目的,有必要好好讲一讲。
+
+本文深度讲解如下三种方法:
+* 双指针法
+* 动态规划
+* 单调栈
+
+## 双指针解法
+
+这道题目使用双指针法并不简单,我们来看一下思路。
+
+首先要明确,要按照行来计算,还是按照列来计算。
+
+按照行来计算如图:
+
+
+按照列来计算如图:
+
+
+一些同学在实现的时候,很容易一会按照行来计算一会按照列来计算,这样就会越写越乱。
+
+我个人倾向于按照列来计算,比较容易理解,接下来看一下按照列如何计算。
+
+首先,**如果按照列来计算的话,宽度一定是1了,我们再把每一列的雨水的高度求出来就可以了。**
+
+可以看出每一列雨水的高度,取决于,该列 左侧最高的柱子和右侧最高的柱子中最矮的那个柱子的高度。
+
+这句话可以有点绕,来举一个理解,例如求列4的雨水高度,如图:
+
+
+
+列4 左侧最高的柱子是列3,高度为2(以下用lHeight表示)。
+
+列4 右侧最高的柱子是列7,高度为3(以下用rHeight表示)。
+
+列4 柱子的高度为1(以下用height表示)
+
+那么列4的雨水高度为 列3和列7的高度最小值减列4高度,即: min(lHeight, rHeight) - height。
+
+列4的雨水高度求出来了,宽度为1,相乘就是列4的雨水体积了。
+
+此时求出了列4的雨水体积。
+
+一样的方法,只要从头遍历一遍所有的列,然后求出每一列雨水的体积,相加之后就是总雨水的体积了。
+
+首先从头遍历所有的列,并且**要注意第一个柱子和最后一个柱子不接雨水**,代码如下:
+```C++
+for (int i = 0; i < height.size(); i++) {
+ // 第一个柱子和最后一个柱子不接雨水
+ if (i == 0 || i == height.size() - 1) continue;
+}
+```
+
+在for循环中求左右两边最高柱子,代码如下:
+
+```C++
+int rHeight = height[i]; // 记录右边柱子的最高高度
+int lHeight = height[i]; // 记录左边柱子的最高高度
+for (int r = i + 1; r < height.size(); r++) {
+ if (height[r] > rHeight) rHeight = height[r];
+}
+for (int l = i - 1; l >= 0; l--) {
+ if (height[l] > lHeight) lHeight = height[l];
+}
+```
+
+最后,计算该列的雨水高度,代码如下:
+
+```C++
+int h = min(lHeight, rHeight) - height[i];
+if (h > 0) sum += h; // 注意只有h大于零的时候,在统计到总和中
+```
+
+整体代码如下:
+
+```C++
+class Solution {
+public:
+ int trap(vector& height) {
+ int sum = 0;
+ for (int i = 0; i < height.size(); i++) {
+ // 第一个柱子和最后一个柱子不接雨水
+ if (i == 0 || i == height.size() - 1) continue;
+
+ int rHeight = height[i]; // 记录右边柱子的最高高度
+ int lHeight = height[i]; // 记录左边柱子的最高高度
+ for (int r = i + 1; r < height.size(); r++) {
+ if (height[r] > rHeight) rHeight = height[r];
+ }
+ for (int l = i - 1; l >= 0; l--) {
+ if (height[l] > lHeight) lHeight = height[l];
+ }
+ int h = min(lHeight, rHeight) - height[i];
+ if (h > 0) sum += h;
+ }
+ return sum;
+ }
+};
+```
+
+因为每次遍历列的时候,还要向两边寻找最高的列,所以时间复杂度为O(n^2)。
+空间复杂度为O(1)。
+
+## 动态规划解法
+
+在上一节的双指针解法中,我们可以看到只要记录左边柱子的最高高度 和 右边柱子的最高高度,就可以计算当前位置的雨水面积,这就是通过列来计算。
+
+当前列雨水面积:min(左边柱子的最高高度,记录右边柱子的最高高度) - 当前柱子高度。
+
+为了的到两边的最高高度,使用了双指针来遍历,每到一个柱子都向两边遍历一遍,这其实是有重复计算的。我们把每一个位置的左边最高高度记录在一个数组上(maxLeft),右边最高高度记录在一个数组上(maxRight)。这样就避免了重复计算,这就用到了动态规划。
+
+当前位置,左边的最高高度是前一个位置的左边最高高度和本高度的最大值。
+
+即从左向右遍历:maxLeft[i] = max(height[i], maxLeft[i - 1]);
+
+从右向左遍历:maxRight[i] = max(height[i], maxRight[i + 1]);
+
+这样就找到递推公式。
+
+代码如下:
+
+```C++
+class Solution {
+public:
+ int trap(vector& height) {
+ if (height.size() <= 2) return 0;
+ vector maxLeft(height.size(), 0);
+ vector maxRight(height.size(), 0);
+ int size = maxRight.size();
+
+ // 记录每个柱子左边柱子最大高度
+ maxLeft[0] = height[0];
+ for (int i = 1; i < size; i++) {
+ maxLeft[i] = max(height[i], maxLeft[i - 1]);
+ }
+ // 记录每个柱子右边柱子最大高度
+ maxRight[size - 1] = height[size - 1];
+ for (int i = size - 2; i >= 0; i--) {
+ maxRight[i] = max(height[i], maxRight[i + 1]);
+ }
+ // 求和
+ int sum = 0;
+ for (int i = 0; i < size; i++) {
+ int count = min(maxLeft[i], maxRight[i]) - height[i];
+ if (count > 0) sum += count;
+ }
+ return sum;
+ }
+};
+```
+
+## 单调栈解法
+
+这个解法可以说是最不好理解的了,所以下面我花了大量的篇幅来介绍这种方法。
+
+单调栈就是保持栈内元素有序。和[栈与队列:单调队列](https://mp.weixin.qq.com/s/Xgcqx5eBa3xZabt_LurnNQ)一样,需要我们自己维持顺序,没有现成的容器可以用。
+
+
+### 准备工作
+
+那么本题使用单调栈有如下几个问题:
+
+1. 首先单调栈是按照行方向来计算雨水,如图:
+
+
+
+知道这一点,后面的就可以理解了。
+
+2. 使用单调栈内元素的顺序
+
+从大到小还是从小打到呢?
+
+从栈头(元素从栈头弹出)到栈底的顺序应该是从小到大的顺序。
+
+因为一旦发现添加的柱子高度大于栈头元素了,此时就出现凹槽了,栈头元素就是凹槽底部的柱子,栈头第二个元素就是凹槽左边的柱子,而添加的元素就是凹槽右边的柱子。
+
+如图:
+
+
+
+
+3. 遇到相同高度的柱子怎么办。
+
+遇到相同的元素,更新栈内下标,就是将栈里元素(旧下标)弹出,将新元素(新下标)加入栈中。
+
+例如 5 5 1 3 这种情况。如果添加第二个5的时候就应该将第一个5的下标弹出,把第二个5添加到栈中。
+
+**因为我们要求宽度的时候 如果遇到相同高度的柱子,需要使用最右边的柱子来计算宽度**。
+
+如图所示:
+
+
+
+4. 栈里要保存什么数值
+
+是用单调栈,其实是通过 长 * 宽 来计算雨水面积的。
+
+长就是通过柱子的高度来计算,宽是通过柱子之间的下标来计算,
+
+那么栈里有没有必要存一个pair类型的元素,保存柱子的高度和下标呢。
+
+其实不用,栈里就存放int类型的元素就行了,表示下标,想要知道对应的高度,通过height[stack.top()] 就知道弹出的下标对应的高度了。
+
+所以栈的定义如下:
+
+```
+stack st; // 存着下标,计算的时候用下标对应的柱子高度
+```
+
+明确了如上几点,我们再来看处理逻辑。
+
+### 单调栈处理逻辑
+
+先将下标0的柱子加入到栈中,`st.push(0);`。
+
+然后开始从下标1开始遍历所有的柱子,`for (int i = 1; i < height.size(); i++)`。
+
+如果当前遍历的元素(柱子)高度小于栈顶元素的高度,就把这个元素加入栈中,因为栈里本来就要保持从小到大的顺序(从栈头到栈底)。
+
+代码如下:
+
+```
+if (height[i] < height[st.top()]) st.push(i);
+```
+
+如果当前遍历的元素(柱子)高度等于栈顶元素的高度,要跟更新栈顶元素,因为遇到相相同高度的柱子,需要使用最右边的柱子来计算宽度。
+
+代码如下:
+
+```
+if (height[i] == height[st.top()]) { // 例如 5 5 1 7 这种情况
+ st.pop();
+ st.push(i);
+}
+```
+
+如果当前遍历的元素(柱子)高度大于栈顶元素的高度,此时就出现凹槽了,如图所示:
+
+
+
+取栈顶元素,将栈顶元素弹出,这个就是凹槽的底部,也就是中间位置,下标记为mid,对应的高度为height[mid](就是图中的高度1)。
+
+此时的栈顶元素st.top(),就是凹槽的左边位置,下标为st.top(),对应的高度为height[st.top()](就是图中的高度2)。
+
+当前遍历的元素i,就是凹槽右边的位置,下标为i,对应的高度为height[i](就是图中的高度3)。
+
+此时大家应该可以发现其实就是**栈顶和栈顶的下一个元素以及要入栈的三个元素来接水!**
+
+那么雨水高度是 min(凹槽左边高度, 凹槽右边高度) - 凹槽底部高度,代码为:`int h = min(height[st.top()], height[i]) - height[mid];`
+
+雨水的宽度是 凹槽右边的下标 - 凹槽左边的下标 - 1(因为只求中间宽度),代码为:`int w = i - st.top() - 1 ;`
+
+当前凹槽雨水的体积就是:`h * w`。
+
+求当前凹槽雨水的体积代码如下:
+
+```C++
+while (!st.empty() && height[i] > height[st.top()]) { // 注意这里是while,持续跟新栈顶元素
+ int mid = st.top();
+ st.pop();
+ if (!st.empty()) {
+ int h = min(height[st.top()], height[i]) - height[mid];
+ int w = i - st.top() - 1; // 注意减一,只求中间宽度
+ sum += h * w;
+ }
+}
+```
+
+关键部分讲完了,整体代码如下:
+
+```C++
+class Solution {
+public:
+ int trap(vector& height) {
+ if (height.size() <= 2) return 0; // 可以不加
+ stack st; // 存着下标,计算的时候用下标对应的柱子高度
+ st.push(0);
+ int sum = 0;
+ for (int i = 1; i < height.size(); i++) {
+ if (height[i] < height[st.top()]) { // 情况一
+ st.push(i);
+ } if (height[i] == height[st.top()]) { // 情况二
+ st.pop(); // 其实这一句可以不加,效果是一样的,但处理相同的情况的思路却变了。
+ st.push(i);
+ } else { // 情况三
+ while (!st.empty() && height[i] > height[st.top()]) { // 注意这里是while
+ int mid = st.top();
+ st.pop();
+ if (!st.empty()) {
+ int h = min(height[st.top()], height[i]) - height[mid];
+ int w = i - st.top() - 1; // 注意减一,只求中间宽度
+ sum += h * w;
+ }
+ }
+ st.push(i);
+ }
+ }
+ return sum;
+ }
+};
+```
+
+以上代码冗余了一些,但是思路是清晰的,下面我将代码精简一下,如下:
+
+```C++
+class Solution {
+public:
+ int trap(vector& height) {
+ stack st;
+ st.push(0);
+ int sum = 0;
+ for (int i = 1; i < height.size(); i++) {
+ while (!st.empty() && height[i] > height[st.top()]) {
+ int mid = st.top();
+ st.pop();
+ if (!st.empty()) {
+ int h = min(height[st.top()], height[i]) - height[mid];
+ int w = i - st.top() - 1;
+ sum += h * w;
+ }
+ }
+ st.push(i);
+ }
+ return sum;
+ }
+};
+```
+
+精简之后的代码,大家就看不出去三种情况的处理了,貌似好像只处理的情况三,其实是把情况一和情况二融合了。 这样的代码不太利于理解。
+
+
+## 其他语言版本
+
diff --git a/problems/0583.两个字符串的删除操作.md b/problems/0583.两个字符串的删除操作.md
index ee1fbc5f..d476c95a 100644
--- a/problems/0583.两个字符串的删除操作.md
+++ b/problems/0583.两个字符串的删除操作.md
@@ -73,7 +73,7 @@ for (int j = 0; j <= word2.size(); j++) dp[0][j] = j;
以word1:"sea",word2:"eat"为例,推导dp数组状态图如下:
-
+
以上分析完毕,代码如下: