LeetCode 面试经典 150_回溯_全排列(100_46_C++_中等)

LeetCode 面试经典 150_回溯_全排列(100_46_C++_中等)

LeetCode 面试经典 150_回溯_全排列(100_46_C++_中等)

题目描述:

给定一个不含重复数字的数组 nums ,返回其 所有可能的全排列 。你可以 按任意顺序 返回答案。

输入输出样例:

示例 1:
输入
:nums = [1,2,3]
输出:[[1,2,3],[1,3,2],[2,1,3],[2,3,1],[3,1,2],[3,2,1]]

示例 2:
输入
:nums = [0,1]
输出:[[0,1],[1,0]]

示例 3:
输入
:nums = [1]
输出:[[1]]

提示:
1 <= nums.length <= 6
-10 <= nums[i] <= 10
nums 中的所有整数 互不相同

题解:

解题思路:

思路一(递归(回溯)):

1、这题需求全排列,这里我们可以想到数学上进行全排列的过程。假设求 [1,2,3] 的全排列。我们首先需在[1,2,3] 中,选取一个元素放在第一个位置,再在剩余两个元素中选取一个元素放在第二个位置,再将剩余的一个元素放在最后一个位置 。


⭕代表当前位置选取的元素,[ ]代表可选取元素

请添加图片描述

通过递归树可以分析出,每层会确定一个元素的位置,从上到下的一条路径正好是一个排列。(在此过程中我们需要记录哪些元素已被选取)

2、具体思路如下:
① 定义一个 used 用来存储当前元素是否被使用。定义一个 path 来存储从上到下的一条路径(正好是一个排列)。定义一个 ans 来存储所有的路径。
② 递归的每层确定一个元素的位置,且每层会列举所有未使用的元素。(每层挑选一个元素(未使用)存入path中,将使用的元素进行标记)。
③ 当path中元素的个数到达全排列的要求时,则将path存入 ans 中,再进行回溯(回溯时需将相应的元素置为未使用)。

3、复杂度分析
① 时间复杂度:O(n * n!),其中 n 是数组中的元素数量。其主要是递归调用的次数和将path复制到ans中的时间开销。递归调用消耗n!(全排列的个数),每个全排列答案复制到ans中消耗 n 时间 。
② 空间复杂度:O(n),其中 n 是数组中的元素数量。递归n层(每层确定一个元素的位置)O(n)。path存储从上到下的一条路径(正好是一个排列)O(n)。使用一个used数组存储元素是否被使用O(n)。

代码实现

代码实现(思路一(递归(回溯))):
classSolution{private://用于存放一种排列 vector<int> path;//用于存放所有全排列 vector<vector<int>> res;//运用回溯算法求解全排列问题voidbacktracking(vector<int>&nums,vector<bool>&used){//递归出口(当path达到一个排列的个数时,也就是到达叶子节点时,记录答案)if(path.size()==nums.size()){ res.emplace_back(path);return;}//在每个位置枚举不用的元素for(int i =0; i < nums.size(); i++){//如果当前元素已经被使用则跳过此元素if(used[i]==true)continue;//若当前元素还未使用,则将其添加到一个排列中,标记已使用 path.emplace_back(nums[i]); used[i]=true;//再重复的添加元素,直到一个排列的个数满足条件backtracking(nums,used);//将当前元素移除切换其他元素,移除后标记为未使用 path.pop_back(); used[i]=false;}}public: vector<vector<int>>permute(vector<int>& nums){//标记元素是否被使用 vector<bool>used(nums.size(),false);backtracking(nums,used);return res;}};
以思路一为例进行调试
#include<iostream>#include<vector>usingnamespace std;classSolution{private://用于存放一种排列 vector<int> path;//用于存放所有全排列 vector<vector<int>> res;//运用回溯算法求解全排列问题voidbacktracking(vector<int>&nums,vector<bool>&used){//递归出口(当path达到一个排列的个数时,也就是到达叶子节点时,记录答案)if(path.size()==nums.size()){ res.emplace_back(path);return;}//在每个位置枚举不用的元素for(int i =0; i < nums.size(); i++){//如果当前元素已经被使用则跳过此元素if(used[i]==true)continue;//若当前元素还未使用,则将其添加到一个排列中,标记已使用 path.emplace_back(nums[i]); used[i]=true;//再重复的添加元素,直到一个排列的个数满足条件backtracking(nums,used);//将当前元素移除切换其他元素,移除后标记为未使用 path.pop_back(); used[i]=false;}}public: vector<vector<int>>permute(vector<int>& nums){//记录元素是否被使用 vector<bool>used(nums.size(),false);backtracking(nums,used);return res;}};intmain(){ vector<int> a={1,2,3};//对a中的元素进行全排列 Solution s; vector<vector<int>> results=s.permute(a);//输出全排列的结果for(auto&result : results){ cout<<"[";for(auto&i : result){ cout<<i<<"";} cout<<"] ";}return0;}

LeetCode 面试经典 150_回溯_全排列(100_46)原题链接
欢迎大家和我沟通交流(✿◠‿◠)

Read more

学生党申请github教育优惠到获取github-copilot pro一条龙教程

学生党申请github教育优惠到获取github-copilot pro一条龙教程

25年9月最新 申请GitHub教育优惠 到 获取GitHub co-pilot pro 一条龙教程(需要自备edu教育邮箱) 2025.9.4 博主亲测有效,可申请到两年教育优惠,无论您是否为在校学生,只要有一个可用的教育邮箱即可申请 by ZEEKLOG:Rem丶昕 注意:本教程的所有填写全部用英文! 一、前期准备 1. 需要自备自己学校的 edu 教育邮箱,例如博主的教育邮箱格式为 [email protected],准备的 edu 邮箱得搜索到对应的学校 2. 想申请教育邮箱的GitHub账号不能是新号,至少注册时间3天以上 二、绑定 edu 教育邮箱 2.1 在GitHub设置中添加自己的教育邮箱 登录 GitHub,点击右上方头像,在下拉列表中选 Settings

By Ne0inhk
IDEA 中的 AI 编程插件怎么选?Copilot / 灵码 / TRAE 实际使用对比

IDEA 中的 AI 编程插件怎么选?Copilot / 灵码 / TRAE 实际使用对比

# 【不吹不黑】Java 开发者真实体验:IDEA 三大 AI 编程插件深度对比(Copilot / TRAE / 灵码) > 本文是一篇**技术交流与使用体验记录**,仅用于分享 Java 开发过程中使用 AI 插件的真实感受与效率提升方式,不涉及任何商业推广或广告行为。 *** ## 一、写在前面:为什么要写这篇文章 过去一年,大模型能力的跃迁,直接改变了开发者的工作方式。**AI 已经不再是“写 Demo 的玩具”,而是逐渐演变为 IDE 中的“第二大脑”** 。 本文的目的非常明确: *   记录一名 **Java 后端开发者** 在真实项目中使用 AI 插件的体验 *   对比不同插件在 **补全、对话、Agent 工作流** 等方面的差异 *   帮助开发者根据自身场景选择合适的工具,而不是盲目跟风 本文所有结论,

By Ne0inhk

01 - 大模型推理框架选型入门:Ollama、llama.cpp与vLLM全景对比

01 - 大模型推理框架选型入门:Ollama、llama.cpp与vLLM全景对比 本文是《大模型推理框架深度解析》系列的第一篇,适合刚接触LLM部署的开发者阅读。 写在前面 随着大语言模型(LLM)的广泛应用,如何将模型高效地部署到生产环境成为每个AI工程师必须面对的问题。目前市面上主流的推理框架有Ollama、llama.cpp和vLLM,但它们的技术定位、适用场景差异巨大。 很多开发者在选型时容易陷入误区: * 用Ollama部署高并发API服务,结果吞吐量上不去 * 用vLLM跑边缘设备,发现资源占用过高 * 混淆llama.cpp和vLLM的定位,不知道何时该用哪个 本文将从架构分层视角出发,帮你建立清晰的选型认知。 一、三大框架的技术定位 1.1 三层架构视角 如果把LLM推理技术栈比作一座大厦,三个框架分别位于不同的楼层: ┌─────────────────────────────────────────────────────────────┐ │ 应用层(第3层) │ │ ┌─────────────┐ │ │ │ Ollama │

By Ne0inhk

从零搭建AI运维系统,MCP AI Copilot实操全流程详解

第一章:MCP AI Copilot 架构概览 MCP AI Copilot 是一个面向企业级 DevOps 场景的智能辅助系统,旨在通过大模型驱动的方式提升开发、运维与安全响应的自动化水平。其架构设计强调模块化、可扩展性与实时交互能力,核心由感知层、决策引擎、执行总线与反馈闭环四大组件构成。 核心组件构成 * 感知层:负责从 CI/CD 流水线、日志系统、监控平台等数据源采集上下文信息 * 决策引擎:集成大语言模型与规则推理模块,对输入请求进行意图识别与策略生成 * 执行总线:协调调用底层工具链(如 Kubernetes API、Ansible、Terraform)完成具体操作 * 反馈闭环:记录执行结果并用于模型微调,形成持续优化的学习机制 通信协议配置示例 // config.go - MCP AI Copilot 服务间通信配置 type ServiceConfig

By Ne0inhk