weixin_46002095的博客

哈夫曼编码是一种基于贪心算法的数据压缩技术，通过构建最优二叉树实现最短平均编码长度。其核心思想是优先合并频率最低的两个节点，形成非前缀码。算法使用最小堆高效选择最小节点，合并过程确保高频字符获得短编码，低频字符获得长编码。JavaScript实现包含构建哈夫曼树、生成编码和计算加权路径长度三部分，通过递归遍历生成每个字符对应的二进制编码。示例中字符A-E的频率为[5,9,12,13,16]时，得到最优编码方案：A:100，B:101，C:00，D:01，E:11，总编码长度55。该算法在数据压缩领域具有广泛

本文介绍了解决加油站补给问题的贪心算法。首先通过暴力解法（O(n²)）模拟每个起点，发现效率不足。然后提出贪心策略：1) 总油量需≥总开销才有解；2) 遍历时若油量变负则重置起点。最终实现一次遍历的O(n)解法，并通过示例分析其正确性。文章对比了两种方法，强调贪心算法的高效性和适用性，适用于环形路径的盈亏差值问题。最后预告下一章将探讨Huffman编码的最小代价构造问题。

本文介绍了跳跃游戏问题的贪心算法解法。文章首先展示了暴力回溯法的实现（DFS），分析其时间复杂度为O(2ⁿ)的缺陷，然后提出更优的贪心算法：通过维护maxReach变量表示当前能跳到的最远位置，只需遍历数组一次（O(n)时间），若发现当前位置无法到达则失败。文章通过两个示例详细拆解了贪心算法的执行过程，并与暴力法进行对比，强调贪心算法只关注可达性而非具体路径的特点。最后总结了贪心算法的核心思路和优势，并预告下一章将讲解环形加油站问题。该解法简洁高效，适合笔试面试场景。

本文介绍了贪心算法解决区间调度问题的经典方法。针对会议室安排问题，作者指出按最早开始时间排序的错误思路，提出正确的贪心策略：优先选择结束时间最早的会议。通过JavaScript实现演示了具体解法：先按结束时间排序，再遍历选择不重叠的会议。分析该方法的时间复杂度为O(n log n)，空间复杂度O(1)。文章还对比了贪心与动态规划的适用场景，列举了类似实际应用，并预告下一章将讲解跳跃游戏问题。该解法简洁高效，是理解贪心算法"局部最优+不回头"特性的典型案例。

本文介绍了贪心算法的基本概念及其在硬币找零问题中的应用。贪心算法通过每一步选择当前最优解来寻求全局最优，具有简单高效的特点，但并不适用于所有问题。作者以最小货币找零为例，详细讲解了贪心策略的实现思路和JavaScript代码，同时指出贪心算法在某些情况下并非最优解（如面额[10,6,1]时的12元找零）。文章还预告了后续章节将讨论的区间调度等更复杂问题，为算法初学者提供了循序渐进的学习路径。

完全背包问题允许物品无限次选取，与0-1背包形成对比。其核心在于状态转移方程的变化：当选择某物品时，允许继续使用该物品（dp[i][j] = dp[i][j-weight[i-1]] + value[i-1]）。空间优化时需正序遍历容量，确保物品可重复使用。关键区别在于0-1背包倒序容量（防止重复），完全背包正序容量（允许重复）。该问题为多重背包等更复杂场景奠定了基础，理解状态转移方向是解题关键。

0-1背包问题是一个经典的动态规划问题，要求在容量为W的背包中装入n件物品（每件只能选一次），使总价值最大。解法核心是构建二维状态矩阵dp[i][j]，表示前i件物品在容量j时的最大价值。状态转移方程比较选与不选当前物品的价值，取最大值。通过空间优化可压缩为一维数组，采用倒序遍历避免重复计算。该问题体现了动态规划的子问题重叠特性，是学习完全背包等变种问题的基础。示例代码展示了二维和优化后的解法。

本文介绍了编辑距离问题，即计算将一个字符串转换为另一个字符串所需的最少操作次数（插入、删除或替换字符）。通过动态规划方法，定义二维状态数组dp[i][j]表示转换前i个字符到前j个字符的最小操作数，并给出了状态转移方程和边界条件。示例展示了"horse"到"ros"的转换过程，最终结果为3次操作。该问题是典型的二维动态规划应用，为后续学习字符串相似度计算和最长公共子序列问题奠定了基础。

本文介绍了最长上升子序列（LIS）问题的两种解法。基础解法采用动态规划，定义dp[i]为以nums[i]结尾的最长上升子序列长度，通过双重循环比较元素更新状态，时间复杂度O(n²)。优化解法结合贪心和二分查找，维护tails数组记录各长度最小的末尾元素，利用二分查找快速更新，将时间复杂度降至O(n log n)。两种方法的空间复杂度均为O(n)。文章通过具体示例演示了算法执行过程，并指出LIS问题是序列型动态规划的典型代表，为后续学习更复杂的动态规划问题奠定基础。

本文介绍了零钱兑换问题的动态规划解法。该问题要求用给定硬币面额组合凑出目标金额的最少硬币数量。定义dp[i]表示金额i所需最少硬币数，状态转移方程为dp[i] = min(dp[i], dp[i-coin]+1)。初始化时dp[0]=0，其他设为极大值。通过两层循环实现，时间复杂度O(amount×n)。示例展示了从1到11金额的逐步计算过程，最终得出11=5+5+1的最优解3。该问题属于完全背包模型，下一章将探讨最长上升子序列问题。

令dp[i]表示前i+1间房屋（下标 0~i）中，在不触动警报的前提下，可以偷窃到的最大金额。

本文介绍了经典的“爬楼梯问题”及其动态规划解法。题目要求计算爬到n阶楼梯的方法数，每次可走1或2阶。通过定义状态dp[i]表示到达第i阶的方法数，推导出状态转移方程dp[i] = dp[i-1] + dp[i-2]，与斐波那契数列相同。文章给出了标准DP实现和空间优化版本，并以n=4为例演示了计算过程。该问题很好地诠释了动态规划的核心思想：分解子问题并避免重复计算。最后预告下一章将探讨更复杂的“打家劫舍问题”。

本文从斐波那契数列入手，介绍动态规划的基本原理。首先展示递归解法虽然直观但效率低下（时间复杂度O(2^n)），然后逐步引入动态规划解决方案：先用数组存储中间结果（O(n)时间/空间复杂度），再进行空间优化为滚动变量（O(1)空间）。通过对比递归与动态规划的性能差异，阐明了动态规划在解决具有重叠子问题时的优势，并总结了动态规划的基本解题步骤，为后续学习更复杂的动态规划问题奠定基础。

本文介绍了滑动窗口算法解决「最小覆盖子串」问题的思路与实现。该题目要求找到字符串s中包含字符串t所有字符的最小子串，需考虑字符频率匹配。核心解法使用双指针维护窗口，并通过哈希表记录字符需求频次和窗口频次。当窗口满足所有字符需求时收缩左指针优化解，最终返回最小窗口。代码实现以JavaScript为例，详细解析了难点与复杂度（O(n)时间，O(Σ)空间）。该题综合了滑动窗口、哈希计数和合法性判断，是算法学习的经典案例。

本文介绍了如何利用前缀和与哈希表解决「和为 K 的子数组」问题。当数组中存在负数时，传统滑动窗口算法失效，需要改用前缀和技巧。通过维护一个哈希表记录前缀和出现次数，可以在O(n)时间内统计所有满足条件的子数组。文章详细解释了算法原理，给出了JavaScript实现代码，并通过示例演示了计算过程，最后总结了该方法的适用场景和复杂度分析。

本文介绍了使用滑动窗口算法解决"和大于等于目标值的最短子数组长度"问题。题目要求在一个正整数数组中找出满足子数组和≥target的最短连续子数组长度。解题思路采用双指针滑动窗口技术：初始化窗口边界，不断扩展右边界累加元素，当窗口和满足条件时收缩左边界以寻找更优解。文章提供了JavaScript代码实现，并分析了O(n)的时间复杂度。最后指出该算法适用于最短子数组问题，且适用于元素均为正数的情况，为后续处理包含负数的情况埋下伏笔。

文章摘要：本文介绍了使用滑动窗口算法解决LeetCode第3题"寻找无重复字符的最长子串"的方法。滑动窗口通过维护左右指针动态调整窗口范围，用集合存储当前窗口字符，遇到重复时移动左指针缩小窗口。时间复杂度O(n)，空间复杂度O(k)。该算法是处理子串问题的利器，关键在于动态维护窗口和正确判断窗口合法性。文中提供了JavaScript实现代码和复杂度分析，并预告后续将讨论更复杂的滑动窗口应用场景。