【队列】循环队列(Circular Queue)详解

【队列】循环队列(Circular Queue)详解

文章目录

一、循环队列简介

在实际开发中,队列是一种常用的数据结构,而循环队列(Circular Queue)则一般是一种基于数组实现的队列(也可使用循环链表)。与传统的 FIFO 队列相比,循环队列通过将数组首尾相连形成一个 “环”,能够更高效地利用内存空间。

循环队列的主要思想是:当队尾指针到达数组末端时,如果数组前面还有空余空间,就可以从数组头部重新利用这些空间进行入队操作。也就是说,数组的末端和头部通过逻辑上的连接,形成一个环状结构,从而避免了顺序队列中由于出队操作而导致的空间浪费问题。

如下图就是一个典型的循环队列,其中的 front 表示头指针,指向队头。rear 则表示尾指针,指向队尾元素的下一个位置。

请添加图片描述

二、循环队列的判空和判满

在循环队列中,frontrear 都是可以循环移动的,当队空时,front == rear 成立;当队满时,front == rear 也成立。因此显然不能只凭 front == rear 来判断队空还是队满。

为了解决这个问题,在循环队列中约定:少用一个元素空间,当队尾标识的 rear在队头标识front 的上一个位置时,队列为满。此时,判断队空和队满的条件分别如下:

队空时:front == rear

队满时:(rear + 1) % MAXSIZE == front

其中,MAXSIZE 是队列容量的大小

两种情况下队列中指针的状态如下图所示:

请添加图片描述

既然少一个元素空间,这就意味着,如果要存储的数据个数最大为 k,那么你需要开辟的循环队列的大小应为 k+1

三、循环队列的实现

我们来以具体的一道题目来实现循环队列的各种操作

leetcode 622. 设计循环队列

typedefstruct{int* a;int front;// 头“指针”指向队头数据int tail;// 尾“指针”指向队尾的下一个位置int k;// 一会儿开辟的队列大小为 k+1} MyCircularQueue; bool myCircularQueueIsEmpty(MyCircularQueue* obj); bool myCircularQueueIsFull(MyCircularQueue* obj);// 前面先实现的函数要用到这两个接口,所以事先声明一下// 循环队列的初始化 MyCircularQueue*myCircularQueueCreate(int k){ MyCircularQueue* cq =(MyCircularQueue*)malloc(sizeof(MyCircularQueue)); cq->a =(int*)malloc(sizeof(int)*(k+1)); cq->front =0;// 初始化数据 cq->tail =0; cq->k = k;return cq;}// 入队 bool myCircularQueueEnQueue(MyCircularQueue* obj,int value){if(myCircularQueueIsFull(obj))return false;// 满了就不能再入了 obj->a[obj->tail]= value;// 将数据入进来++obj->tail;// 更新tail obj->tail %=(obj->k+1);// tail 自增了之后可能超出循环队列的大小范围所以要取模// 模的是循环队列的大小 k+1return true;}// 出队 bool myCircularQueueDeQueue(MyCircularQueue* obj){if(myCircularQueueIsEmpty(obj))return false;// 为空就不能再删 obj->front =(obj->front+1)%(obj->k+1);// 和前面是一样的原理,注意同样是加一再取模return true;}// 获取队头元素intmyCircularQueueFront(MyCircularQueue* obj){if(myCircularQueueIsEmpty(obj))return-1;return obj->a[obj->front];}// 获取队尾元素intmyCircularQueueRear(MyCircularQueue* obj){if(myCircularQueueIsEmpty(obj))return-1;if(obj->tail ==0)return obj->a[obj->k];// 跨越了一个循环的情况elsereturn obj->a[obj->tail-1];}// 判空 bool myCircularQueueIsEmpty(MyCircularQueue* obj){return obj->front == obj->tail;}// 判满 bool myCircularQueueIsFull(MyCircularQueue* obj){return(obj->tail+1)%(obj->k+1)== obj->front;// tail的后一个是front说明满了,但是有可能tail+1跨过了一个循环。所以要取模}// 释放voidmyCircularQueueFree(MyCircularQueue* obj){free(obj->a);// 注意这里要先释放结构体内的数组!!!不然会可能内存泄漏free(obj);}

Read more

【薅羊毛教程】LLaMaFactory 不用本地跑!免费 GPU,一键微调大模型

【薅羊毛教程】LLaMaFactory 不用本地跑!免费 GPU,一键微调大模型

一、环境 之前介绍过本地部署LLaMaFactory微调平台(https://blog.ZEEKLOG.net/m0_73982863/article/details/159208213?spm=1001.2014.3001.5501),如果你还在为设备问题而烦恼,那就来薅羊毛吧(手动狗头)。 首先注册魔搭社区,绑定个人阿里云账号即可,详情见:https://www.modelscope.cn/my/mynotebook ;然后就可免费获得36小时GPU环境。 8核:CPU有8个核心,主要负责数据的调度和预处理;32GB:内存,数据从硬盘加载后会暂时存放这里;显存24G;(比我自己的老古董好多 T-T) Ubuntu 22.04:Linux操作系统; CUDA 12.8.1:英伟达的并行计算平台。12.8版本意味着它支持最新的RTX

探索云开发Copilot,AI如何重塑开发流程?

探索云开发Copilot,AI如何重塑开发流程?

文章目录 * 1 AI与低代码 * 2 Copilot功能 * 3 案例解析 * 4 Copilot不足 * 5 改进建议 刚接触 Copilot 时, Copilot 的 AI 低代码生成功能让我眼前一亮,使得我开发变得更简洁高效。 以前,我总是依赖手写代码,从搭建环境到实现功能,每一步都非常耗时。 虽然这个过程有助于技术成长,但在面对复杂需求时,常常觉得费时费力。 1 AI与低代码 低代码平台通过拖拽组件和模块化开发,极大地降低了技术门槛,让没有开发背景的人也能轻松实现自己的创意。 这种方式不仅快速,而且灵活,适合那些想要快速搭建应用的用户。再加上人工智能在自然语言理解和代码生成方面的突破,开发效率也得到了极大的提升。 云开发 Copilot 正好是这种结合的典型代表。它不仅利用低代码技术简化开发过程,还融合了AI智能生成和优化的功能,帮助开发者更高效地从需求到最终实现。 通过这种方式,不管是技术新手还是有一定开发经验的人,都能更轻松地完成项目,云开发 Copilot 体验地址:https://tcb.

AIGC时代Kubernetes企业级云原生运维实战:智能重构与深度实践指南

AIGC时代Kubernetes企业级云原生运维实战:智能重构与深度实践指南

文章目录 * 一、AIGC技术栈与Kubernetes的深度融合 * 1. 智能配置生成:从YAML到自然语言 * 2. 动态资源优化:AI驱动的弹性伸缩 * 二、智能运维体系架构深度解析 * 四维能力矩阵增强实现: * 关键组件升级代码示例: * 三、企业级实战策略深度实践 * 策略1:AI辅助的渐进式交付 * 策略2:自主优化闭环实现 * 四、典型场景实战深度解析 * 场景1:突发流量应对(完整代码示例) * 场景2:混合云灾备(多云适配代码) * 五、未来演进方向代码探索 * 数字孪生示例(简化版) * 边缘智能示例 * 《Kubernetes企业级云原生运维实战(云计算前沿实战丛书)》 * 编辑推荐 * 内容简介 * 作者简介 * 目录 * 前言/序言 * 本书内容 * 本书特点 在生成式AI(AIGC)与云原生技术深度融合的今天,Kubernetes正经历着从“容器编排工具”到“智能运维大脑”的蜕变。

ClawdBot语音效果:Whisper tiny在嘈杂环境下的中英文语音转写准确率实测

ClawdBot语音效果:Whisper tiny在嘈杂环境下的中英文语音转写准确率实测 1. ClawdBot是什么:一个真正属于你的本地AI助手 ClawdBot不是云端API的又一个封装,也不是需要反复申请密钥的SaaS服务。它是一个能完整运行在你个人设备上的AI助手——从模型推理、对话管理到多模态处理,全部离线完成。你不需要担心数据上传、隐私泄露或按调用次数付费。只要一台性能尚可的笔记本、NUC盒子,甚至树莓派4,就能把它跑起来。 它的后端由vLLM驱动,这意味着Qwen3-4B-Instruct这类4B参数量级的大模型,在消费级显卡上也能实现毫秒级响应。但ClawdBot的价值远不止于文本生成。它把语音、图像、结构化查询等能力,像搭积木一样整合进统一框架:你说一句话,它能听、能懂、能答;你发一张菜单截图,它能识、能译、能解释;你问“东京现在几点”,它不跳转网页,直接给你答案。 这种“全链路本地化”的设计,让它天然适合对隐私敏感、网络受限或追求低延迟响应的场景。而今天我们要聚焦的,正是它语音能力中最关键的一环——Whisper tiny模型在真实嘈杂环境下的中英文转写