博客
关于我
[Easy] 1. Two Sum
阅读量:348 次
发布时间:2019-03-04

本文共 1223 字,大约阅读时间需要 4 分钟。

解决方案:使用哈希表来优化查找过程,时间复杂度为O(n)

问题描述

给定一个整数数组,找到两个数的索引,使得它们的和等于一个特定的目标值。每个输入都有一个唯一的解,且不能使用同一个元素两次。

解决方法

为了高效地解决这个问题,我们可以使用哈希表(字典)来优化查找过程。哈希表允许我们在常数时间内查找特定值,这将使得整体时间复杂度降低到O(n),其中n是数组的长度。

方法思路

  • 问题分析

    • 我们需要找到两个数,使得它们的和等于目标值。
    • 每个输入都有一个唯一的解,确保我们能找到正确的配对。
  • 哈希表的使用

    • 创建一个哈希表,键是数组中的数值,值是对应的索引。
    • 遍历数组中的每个元素,计算一个关键码key = target - nums[i]
    • 检查哈希表中是否存在这个关键码:
      • 如果存在,说明已经找到了配对的数,返回当前索引和哈希表中的值。
      • 如果不存在,将当前数值和索引存入哈希表,继续处理下一个元素。
  • 代码实现

    #include 
    #include
    using namespace std;class Solution {public: vector
    twoSum(vector
    nums, int target) { unordered_map
    hmap; for (int i = 0; i < nums.size(); ++i) { int input = nums[i]; int key = target - input; if (hmap.find(key) != hmap.end()) { return {hmap[key], i}; } hmap[input] = i; } return {}; }};

    代码解释

    • 初始化哈希表unordered_map<int, int> hmap; 用于存储数值及其对应的索引。
    • 遍历数组for (int i = 0; i < nums.size(); ++i) 遍历每个元素。
      • 计算关键码int key = target - nums[i]; 计算目标减去当前元素的值。
      • 查找关键码if (hmap.find(key) != hmap.end()) 检查哈希表中是否存在该关键码。
        • 找到配对:如果存在,返回哈希表中对应的值和当前索引。
        • 存入哈希表:如果不存在,将当前数值及其索引存入哈希表。
    • 返回结果:一旦找到配对,立即返回结果,减少不必要的计算。

    这种方法确保了在最佳时间复杂度内解决问题,适用于大规模数据。

    转载地址:http://dyir.baihongyu.com/

    你可能感兴趣的文章
    OJ中常见的一种presentation error解决方法
    查看>>
    OK335xS UART device registe hacking
    查看>>
    ok6410内存初始化
    查看>>
    one_day_one--mkdir
    查看>>
    OpenCV 中的图像转换
    查看>>
    opencv&Python——多种边缘检测
    查看>>
    OpenCV-Python接口、cv和cv2的性能比较
    查看>>
    opencv5-图像混合
    查看>>
    opencv9-膨胀和腐蚀
    查看>>
    OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
    查看>>
    OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
    查看>>
    OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
    查看>>
    OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
    查看>>
    OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
    查看>>
    OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
    查看>>
    Opencv中KNN背景分割器
    查看>>
    OpenCV中基于已知相机方向的透视变形
    查看>>