leetcode--sort-list(归并排序)

本文介绍了一种使用常数空间复杂度,在O(nlogn)时间内完成链表排序的方法。通过快慢指针找到中点,将链表分成两部分进行递归排序,最后合并两个已排序的链表。

sort-list

描述

Sort a linked list in O(n log n) time using constant space complexity.

代码

设置两个指针,一个步长为1, 一个步长为2,当快指针到达尾结点时,慢指针指向中间结点,时间复杂度为O(N);

平分为左链表L1和右链表L2,递归分裂,直到链表为空或者只有一个结点;

将链表L2的每个结点插入到链表L1中,时间复杂度为O(m+n),m、n分别为两条链表的长度。

/**
 * Definition for singly-linked list.
 * class ListNode {
 *     int val;
 *     ListNode next;
 *     ListNode(int x) {
 *         val = x;
 *         next = null;
 *     }
 * }
 */
public class Solution {
    public ListNode merge(ListNode left,ListNode right){
        ListNode head=new ListNode(-1);
        head.next=left;
        ListNode p=head;
        while(left!=null&&right!=null){
            if(left.val>=right.val){
                ListNode pr=right;
                right=right.next;
                pr.next=p.next;
                p.next=pr;
                p=pr;
            }else{
                p=left;
                left=left.next;
            }
        }
        if(right!=null){
            p.next=right;
        }
        return head.next;
    }
    public ListNode sortList(ListNode head) {
        if(head==null||head.next==null){
            return head;
        }
        ListNode fast=head,slow=head;
        while(slow.next!=null&&fast.next!=null&&fast.next.next!=null){
            fast=fast.next.next;
            slow=slow.next;
        }
        ListNode rightHead=slow.next;
        ListNode leftHead=head;
        slow.next=null;
        leftHead=sortList(leftHead);
        rightHead=sortList(rightHead);
        return merge(leftHead,rightHead);
    }
}
运用图神经网络架构实现化合物能量特性估算的编程资源集本资源集合提供了一套完整的计算方案,通过深度学习中的图结构建模方法,对化学分子的量子力学性质进行高精度预测。该实现采用模块化设计,包含数据预处理、模型构建、训练优化和结果验证四个核心组成部分。在技术实现层面,利用分子图结构表征(原子作为节点、化学键作为边)的特性,构建了包含消息传递机制的多层图卷积网络。该网络架构能够自动学习分子拓扑结构与能量属性之间的复杂映射关系,其中包含原子特征嵌入层、邻域信息聚合层和全局特征读取层。数据集方面提供了经过严格筛选的有机小分子样本,每个样本均包含精确计算的基态能量值。数据预处理流程涵盖分子结构标准化、特征工程处理和数据分割策略,确保模型训练的可靠性与可复现性。代码实现采用面向对象编程范式,主要依赖PyTorch Geometric深度学习框架,同时兼容常见科学计算库。工程文件结构清晰,包含模型定义、训练循环、评估指标和可视化工具等独立模块,支持GPU加速计算和超参数灵活配置。该实施方案特别注重模型的可解释性,提供了特征重要性分析和预测误差可视化工具,有助于理解图神经网络在化学领域的决策机制。经过严格验证,该方法在多个基准测试集上均表现出优于传统机器学习方法的预测精度。资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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