[Leetcode] 143. Reorder List 重新排列链表

本文介绍了一种链表重排序算法,将链表L0→L1→...→Ln-1→Ln重构成L0→Ln→L1→Ln-1→L2→Ln-2...。提供了两种实现方法,一种是递归方法但存在超时风险,另一种是使用双端队列的方法,已被验证可行。通过实例展示了算法的具体应用。

143. Reorder List (题目链接)

Medium

Given a singly linked list LL0→L1→…→Ln-1→Ln,
reorder it to: L0→LnL1→Ln-1→L2→Ln-2→…

You may not modify the values in the list's nodes, only nodes itself may be changed.

Example 1:

Given 1->2->3->4, reorder it to 1->4->2->3.

Example 2:

Given 1->2->3->4->5, reorder it to 1->5->2->4->3.

 

方法1:一开始考虑使用递归去解决,结果超时了

class Solution:
    def reorderList(self, head: ListNode) -> None:
        """
        Do not return anything, modify head in-place instead.
        """
        if not head:
            return head
        node = head
        pre = head
        while node.next:
            pre = node
            node = node.next
        if node == head or pre == head:
            return head
        
        pre.next = None
        node.next = self.reorderList(head.next)
        head.next = node
        return head

方法2:使用双端队列,每次去取队列的头和尾。Accepted

class Solution:
    def reorderList(self, head: ListNode) -> None:
        if not head:
            return head
        q = collections.deque()
        node = head
        while node:
            q.append(node)
            node = node.next
        pre = ListNode()
        while q:
            front = q.popleft()
            pre.next = front
            if q:
                tail = q.pop()
                front.next = tail
                pre = tail
            else:
                pre = front
        pre.next = None
        return head

 

内容概要:本文围绕“重磅粉丝福利专栏1.8配电网分布式能源的选址与定容系列”展开,系统涵盖了电力系统与智能优化领域的多项前沿科研主题,重点聚焦于配电网中分布式能源的规划与优化问题。内容涉及三相PWM换流器建模、微电网控制、电动汽车有序充电、风光储协同调度、源网荷储一体化优化、双层优化与ADMM分布式算法等核心技术,并结合Matlab/Simulink仿真工具实现多种复杂场景的建模与求解。文档列举了大量具体研究案例,如基于粒子群算法的参数辨识、多目标路径规划、需求响应下的供电能力评估等,突出其在科研复现、算法创新与工程应用中的实用价值。整体资源体系庞大,强调“借力科研”,倡导通过成熟工具与方法提升研究效率与创新能力。; 适合人群:具备一定电力系统、自动化或相关工程背景,熟悉Matlab/Simulink环境,从事科研工作1-3年的研究生、科研人员或工程师。; 使用场景及目标:①用于复现高水平论文(如硕士、博士论文及EI期刊)中的算法与仿真模型;②支持科研项目中关于分布式能源规划、微电网优化、智能调度与控制策略的设计与验证;③辅助完成课程设计、毕业设计或科研竞赛中的仿真建模任务。; 阅读建议:建议读者按照文档提供的目录结构系统性浏览,优先关注与自身研究方向匹配的模块,结合提供的代码资源与仿真模型进行实践操作,注重理论分析与仿真实现的结合,以提升科研效率与创新能力。
内容概要:本文针对不对称电网故障下T型三电平逆变器的低电压穿越(LVRT)问题,提出了一种多目标协同控制策略。该策略深度融合正负序分离技术、电网电压前馈控制与先进的DPWMA调制方法,构建了完整的控制系统架构,旨在实现故障期间负序电流的有效抑制、并网功率的平稳输出以及动态响应速度的显著提升。研究通过Simulink平台建立了详细的T型三电平逆变器仿真模型,对所提控制策略在稳态运行、电网电压不平衡跌落及动态切换等多种工况下的性能进行了全面验证。仿真结果表明,该方案能有效改善并网电流质量,减小功率波动,增强系统在恶劣电网条件下的运行稳定性与鲁棒性,为高比例新能源接入背景下提升电力电子设备的故障穿越能力提供了有效的技术路径。; 适合人群:具备电力电子与电力系统基础知识,从事新能源并网、逆变器控制或微电网技术研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究T型三电平逆变器在不对称电网故障下的动态行为与控制难点;②掌握正负序分离、DPWMA调制、电网前馈等关键技术的设计与实现方法;③为高比例新能源接入背景下提升并网设备低电压穿越能力提供理论支持与仿真验证手段; 阅读建议:建议结合Simulink仿真模型同步学习,重点关注控制策略的结构设计与各模块间的协同机制,深入理解正负序解耦控制与前馈补偿对系统性能的提升作用,并可通过调整故障条件进行对比实验以加深理解。
内容概要:本文提出了一种融合在线鲁棒主成分分析(RPCA)与长短期记忆(LSTM)循环神经网络的商品需求预测方法,旨在应对实际商业数据中存在的噪声与异常值问题,提升预测精度与时序建模能力。该方法首先通过在线RPCA模型对原始需求序列进行实时分解,将数据分离为低秩趋势成分和稀疏异常成分,从而有效剔除突发性扰动和噪声干扰;随后,利用LSTM网络对清洗后的低秩趋势序列进行深度时序学习,充分捕捉其中的长期依赖关系、周期性模式及非线性动态特征,最终实现高鲁棒性与高精度的需求预测。整个框架具有良好的在线更新能力,适用于动态变化的零售、电商等业务场景,并基于Python实现了完整的算法流程。; 适合人群:具备一定Python编程能力与机器学习基础,从事数据分析、供应链管理、智能预测等相关工作的科研人员与工程技术人员,尤其适合高校研究生及企业中从事智能零售与运营优化的研发人员。; 使用场景及目标:①应用于零售、电商、物流等行业中的商品销量预测任务,优化库存管理与补货决策;②为含噪声、异常点及时序突变的实际业务数据提供鲁棒的预处理与建模方案;③作为深度学习与鲁棒统计方法融合的典型案例,推动时序预测领域中模型可解释性与稳定性的研究发展。; 阅读建议:建议读者结合提供的Python代码深入理解在线RPCA与LSTM的集成机制,重点关注数据分解、特征提取与模型训练的衔接过程,并尝试在真实业务数据上进行复现与调参,以掌握其在不同噪声环境下的适应性与优化策略。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值