مقدمه
وقتی صحبت از LeetCode می شود ، برخی از افراد تمام راه حل ها را به یک زبان معین به خاطر می آورند ، در حالی که برخی دیگر شروع می کنند از کجا شروع می شوند. کسانی که پیشینه الگوریتمی سنتی ندارند ، اغلب نمی دانند چگونه ادامه دهند ، به ویژه اگر آنها با ساختن راه حل های نرم افزاری روی یادگیری متمرکز شده اند. این توسعه دهندگان ممکن است فاقد درک مفاهیم نظری اساسی یا “Whys” در پشت رویکردهای خاص باشند – چرا ما راه حل ها را به روش های خاص اجرا می کنیم و چگونه می توانیم کارها را متفاوت انجام دهیم تا سرعت و کارآیی را افزایش دهیم.
چرا Leetcode مهم است
قبل از شروع LeetCode ، بسیاری از اهمیت آن را زیر سوال می برند: “چرا من حتی باید LeetCode را یاد بگیرم؟ من می توانم کدگذاری و برنامه ها را بسازم. من نیازی به درک آرایه ها یا برنامه نویسی الگوریتمی ندارم-مربوط به کار روزانه من نیست.”
پاسخ کوتاه؟ شما انجام دادن برای تبدیل شدن به یک برنامه نویس بهتر ، باید LeetCode را یاد بگیرید. این به شما کمک می کند:
- درک کنید که چگونه شبه کد را توسعه دهید
- در مورد برنامه نویسی با انتقاد فکر کنید
- “Whys” را در پشت رویکردهای مختلف درک کنید
- راه حل های بهتری ایجاد کنید
- بین گزینه های مختلف زمان اجرا را انتخاب کنید
- تشخیص دهید که برنامه شما به جای 5 ساعت 5 روز طول خواهد کشید
- راه حل های بهینه را به جای تسویه حساب برای هر راه حلی که کار کند انتخاب کنید
LeetCode به شما کمک می کند تا راه حل های کارآمدتری را انتخاب کنید ، در خارج از جعبه فکر کنید و به مشکلات عملی نزدیک شوید. این اساساً در مورد حل مسئله است.
دسته های مشکل Leetcode
اکنون که متقاعد شده اید ، بیایید در مورد چگونگی نزدیک شدن به مشکلات LeetCode صحبت کنیم. قبل از مقابله با چالش های فردی ، ساختار کلی مشکلات Leetcode را درک کنید.
مشکلات LeetCode را می توان به روش های زیر طبقه بندی کرد:
1. پنجره کشویی
به طور معمول در مشکلات مربوط به رشته ها یا آرایه ها هنگامی که می خواهید برای پیچیدگی فضا یا زمان بهینه سازی کنید ، استفاده می شود. مثالها شامل:
- حداکثر مبلغ فرعی اندازه k
- طولانی ترین بستر بدون تکرار شخصیت ها
2. دو نشانگر
برای نقاط داده که ترتیب عناصر مهم است ، مهم است. بیشتر در آرایه های مرتب شده ، لیست های مرتبط یا هنگام برخورد با جفت یا پارتیشن استفاده می شود. مثالها شامل:
- ادغام دو آرایه مرتب شده
- ترکیب لیست های مرتبط
در دو نکته ، شما به طور معمول به هر دو طرف راست و چپ عناصر نگاه می کنید.
3. نشانگرهای سریع و آهسته
تنوع دو نشانگر که در آن یک اشاره گر سریعتر از دیگری حرکت می کند. این روش اغلب برای مشکلات مربوط به چرخه یا یافتن عناصر میانی استفاده می شود. مثالها شامل:
- یافتن عنصر میانی یک لیست مرتبط
- تشخیص شروع یک چرخه در یک لیست مرتبط
4. تقسیم و تسخیر
این روش زمانی استفاده می شود که می خواهید با تقسیم آن به زیر مجموعه های کوچکتر ، یک مشکل بزرگتر را حل کنید. هر طرح فرعی به صورت بازگشتی حل می شود ، سپس برای حل مشکل اصلی ترکیب می شود. مشکلات فرعی را می توان به طور مستقل حل کرد و برای راه حل نهایی جمع کرد. مثالها شامل:
- ادغام
- مرتب
- جستجوی دودویی
- نزدیکترین جفت امتیاز
5. عقب نشینی
روشی برای کاوش در تمام راه حل های ممکن با ایجاد پاسخ به صورت تدریجی و “عقب نشینی” هنگام برخورد به بن بست. به طور معمول برای مشکلات مربوط به تولید ترکیبات ، جابجایی ها یا مسیرها مانند معماها یا مشکلات رضایت از محدودیت استفاده می شود.
6. برنامه نویسی پویا (DP)
هنگامی که مشکلات دارای مشکلات فرعی و زیر ساختارهای بهینه هستند ، استفاده می شود. راه حل ها به صورت تدریجی ساخته می شوند و نتایج متوسط را ذخیره می کنند. برنامه های متداول شامل:
- دنباله فیبوناچی
- طولانی ترین عواقب مشترک
درک نماد بزرگ O
نماد O (n) ، همچنین به عنوان علامت بزرگ O نیز گفته می شود ، راهی برای توصیف پیچیدگی زمان و فضا یک الگوریتم از نظر اندازه ورودی (N) است. این کمک می کند تا عملکرد الگوریتم و چگونگی مقیاس آن با افزایش اندازه ورودی ، کمیت شود.
این امر بسیار مهم است زیرا می خواهید زمان اجرای الگوریتم خود را درک کنید و بهینه ترین راه حل را برای برنامه های کارآمد و سریعتر پیدا کنید – به ویژه با بزرگتر شدن برنامه های شما.
Big O بدترین حالت سناریوی پیچیدگی زمان یا فضا یک الگوریتم را توصیف می کند.
پیچیدگی های زمانی مختلف شامل موارد زیر است:
- o (1): زمان ثابت. یک مثال ساده دسترسی به یک عنصر در یک آرایه توسط فهرست است.
- O (ورود به سیستم N): زمان لگاریتمی. جستجوی باینری در یک آرایه مرتب شده یک مثال معمول است – زمان اجرا الگوریتم با اندازه ورودی به صورت لگاریتمی رشد می کند.
- o (n): زمان خطی. زمان اجرا الگوریتم به طور متناسب با اندازه ورودی رشد می کند.
- o (n log n): زمان خطی. این به طور معمول پیچیدگی الگوریتم های مرتب سازی کارآمد مانند Merge Sort و QuickSort است.
- o (n²): زمان درجه دوم. زمان اجرا الگوریتم با اندازه ورودی به صورت چهارگانه رشد می کند.
چرا راه حل مناسب را انتخاب کنید؟
درک پیچیدگی های زمانی مختلف به شما کمک می کند:
- زمان مناسب را برای مشکل خود مشخص کنید
- بهینه ترین و کارآمدترین راه حل را درک کنید
- عملکرد برنامه خود را ارزیابی کنید
- نقاط ضعف را در رویکرد خود مشخص کنید
- راه حل های مختلف را با یکدیگر مقایسه کنید
- کد خود را بهینه کنید
رویکرد به یادگیری leetcode
هنگام شروع LeetCode ، هدف از یادآوری راه حل ها نیست. در عوض:
- مشکل خود را کاملاً درک کنید
- در مورد یادداشت بزرگ O بیاموزید
- مشکل LeetCode را با دقت بخوانید
- ساختار داده های مربوطه را درک کنید
- با نوشتن pseudocode شروع کنید
- توجیه کنید که چرا یک راه حل خاص را انتخاب کردید
- فقط پس از آن روی نحو خاص برای اجرای خود تمرکز کنید
جدول زمانی یادگیری
آیا می توانید LeetCode را در یک هفته یاد بگیرید؟ احتمالاً کاملاً نیست. Leetcode به تمرین مداوم نیاز دارد ، و شما نباید هدف خود را در چنین مدت کوتاهی تسلط داشته باشید. با این حال ، شما می توانید ساختار کلی را درک کرده و آن را از آنجا بگیرید.
من هنوز خودم مشکلات آسان و متوسط را یاد می گیرم ، اما این نکات واقعاً به من کمک کرده است تا پیشرفت کنم.
تجربه شما چیست؟
سفر LeetCode شما چگونه بوده است؟ چه چیزی با LeetCode بیشترین کمک را به شما کرده است؟ من دوست دارم افکار و تجربیات شما را در نظرات بشنوم!
