Windows 常用命令 123456789# 查看端口占用netstat -ano | findstr 3306# 停止服务（需要管理员权限）net stop mysql80# 列举所有文件dir# 将文件移动到目标位置move file-name dir-name\ 参考 文件名包含空格的文件执行方式 文件名包含空格，比如：a df.txt 在命令行中如果直接敲这个文件名，则会被认为是两个文件a和df.txt 所以命令行中需要加上双引号（不能是单引号） 所以用Python的os.system调用系统命令时，需要这样 1os.system('python gene.py --input "{}" --output "{}"'.format(input_dir_path, output_dir_path)) 微软输入法 win + ;： 快速emoji win + v： 历史剪贴板 v：快捷转换：时间、数学计算 u：打出自己不会的字，比如：u huo niao 䲴 以词定字：当想输入某 ...

dp深似海 “系统过去的历史只能通过现阶段的状态去影响系统的未来”——研究生算法课程老师对动态规划的描述，感觉挺不错的 分类参考了灵神的dp题单 记忆化搜索和递推是dp的两种实现方式 网格图dp 背包dp 线性dp 状态机dp 划分型dp 区间dp 状压dp 数位dp 树形dp dp回溯 其它待分类dp 注意事项 如果动态转移方程不是按顺序的，那么需要注意不能直接赋值f[i+1][j] = f[i][j];，因为这样可能会覆盖之前动态转移的结果（注释的是按顺序的动态转移写法） 相关题解：3276. 选择矩阵中单元格的最大得分 1234567f[i+1][j] = Math.max(f[i+1][j], f[i][j]);// f[i+1][j] = f[i][j]; // 这里是错的，不能赋值for (int s = map.get(nums.get(i)), t = 0; s > 0; s -= t) { t = s & -s; if ((j & t) > 0) continue; f[i+1][j|t] = ...

组合计数 计数基本原理 ∣A∣=∑a∈A1|A| = \sum\limits_{a \in A} 1∣A∣=a∈A∑​1 加法定理 |A U B| = |A| + |B| 乘法定理 |A * B| = |A| * |B| 举例 n-bit二进制串一共有多少个： 2^n（乘法原理） 如果把0看作(，把1看作)，配对的括号序列有多少个？ 0011->(()) 101010->)()()( 对于长度为6的序列： 序列={()‾(()),k=2()‾()(),k=2(‾())‾(),k=4(‾(()))‾,k=6(‾()())‾,k=6序列 = \begin{cases} \underline{()}(()), & k = 2 \\ \underline{()}()(), & k = 2 \\ \underline{(}()\underline{)}(), & k = 4 \\ \underline{(}(())\underline{)}, & k = 6 \\ \underline{(}()()\underline{)}, & ...

建图是一个机械劳作 邻接矩阵 邻接矩阵是一个二维数组，其行和列都对应图中的顶点。如果顶点i和顶点j之间存在边，则矩阵中的i,j 位置的元素为1（对于无权图），或为边的权重（对于有权图）。如果i=j，则通常为0，表示顶点不会与自己相连 一般来说，题目给出的都是邻接矩阵的形式。 例如743. 网络延迟时间 这个题目就是给你一个列表 times，表示信号经过 有向 边的传递时间。 times[i] = (ui, vi, wi)，其中 ui 是源节点，vi 是目标节点， wi 是一个信号从源节点传递到目标节点的时间。 本篇主要讨论如何将邻接矩阵转换成其它的存图方式 邻接表 邻接表是表示图中顶点之间相邻关系的一种方式。对于图中的每一个顶点，邻接表包含了与该顶点直接相连的所有顶点的列表。 12345678public int networkDelayTime(int[][] times, int n, int k) { List<int[]> g[] = new ArrayList[n]; Arrays.setAll(g, i -> new ArrayL ...

SPFA算法 概念 SPFA算法是一种基于Bellman-Ford算法的改进版本，它用于计算图中各节点到源节点的最短路径。与Bellman-Ford算法不同的是，SPFA算法使用了队列来优化计算，从而在某些情况下加速了计算过程。 SPFA算法的基本思想是从源节点开始，将源节点放入队列中，然后不断从队列中取出节点，考察它的邻接节点，以更新到这些邻接节点的最短距离。如果某个节点的最短距离被更新，且该节点不在队列中，那么将该节点加入队列中，以便后续继续考察。 复杂度是O(V*E) 步骤 初始化：将源节点的最短距离设置为0，其他节点的最短距离设置为无穷大（或一个足够大的值），并将源节点加入队列中。 迭代处理队列中的节点： 从队列中取出一个节点。 考察该节点的所有邻接节点，如果通过当前节点到达邻接节点的路径比已知的最短路径更短，则更新邻接节点的最短路径。 如果邻接节点的最短路径被更新，且邻接节点不在队列中，将它加入队列中。 重复步骤2，直到队列为空。 最短路径计算完成后，可以从源节点到任意目标节点的最短路径已知。 原则 只让当前点能到达的点入队 如果一个点已经在队列里， ...

LRU 缓存 请你设计并实现一个满足 LRU (最近最少使用) 缓存 约束的数据结构。 实现 LRUCache 类： LRUCache(int capacity) 以 正整数 作为容量 capacity 初始化 LRU 缓存 int get(int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -1 。 void put(int key, int value) 如果关键字 key 已经存在，则变更其数据值 value ；如果不存在，则向缓存中插入该组 key-value 。如果插入操作导致关键字数量超过 capacity ，则应该 逐出 最久未使用的关键字。 函数 get 和 put 必须以 O(1) 的平均时间复杂度运行。 示例： 1234567891011121314151617输入["LRUCache", "put", "put", "get", "put", "get", "put", "get& ...

网络流 概念 网络流是一种抽象模型，它通常表示为一个有向图，其中节点代表各种资源的位置，边表示资源在节点之间的流动。每条边上都有一个容量，表示资源可以通过该边的最大数量。网络流问题的目标通常是找到从一个节点到另一个节点的流量分布，以最大化或最小化某种性能度量，例如最大流问题和最小割问题。 流（Flow）：表示资源在网络中的分配和传输。流量可以通过图中的边流动，但不能超过每条边的容量限制。 容量（Capacity）：每条边上的容量表示该边允许的最大流量。流量不得超过容量。 源点和汇点（Source and Sink）：源点是网络中资源的起始位置，汇点是资源的目标位置。网络流问题的目标通常是从源点到汇点传输最大量的资源。 最大流问题（Maximum Flow Problem）：在给定网络中寻找从源点到汇点的最大流量，同时满足容量限制。 最小割问题（Minimum Cut Problem）：在给定网络中找到一组边，通过删除这些边可以分离源点和汇点，同时最小化被切割的容量总和。 Ford-Fulkerson算法 Ford-Fulkerson算法是一种在网络流中寻找最大流的贪心算法。该算法通 ...

Docker 以下docker内容是在windows下的体验 windows的docker有两个模式：HYPE-V和WSL2 其中，我更推荐WSL2模式 可以修改container的配置文件 更方便地共享文件，不需要请求权限 文件位置 12345678910# 程序位置C:\Program Files\Docker# 程序配置文件位置C:\Users\WYH\.docker# HYPE-V模式 镜像位置C:\ProgramData\DockerDesktop# WSL2模式 镜像位置C:\Users\WYH\AppData\Local\Docker\wsl# container 位置\\wsl$\docker-desktop-data\data\docker\containers\ Ubuntu安装docker Ubuntu安装docker 一些常用指令 1234567891011121314151617181920212223242526272829303132333435363738# 指定镜像新建容器# itd: 交互式、伪终端（TTY）、后台运行docker run -it ...

Ubuntu 安装指定版本的 Node.js 和 npm 12345678apt updateapt upgradeapt install curl# 打开 nvm 官网，找到最新的下载链接curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.5/install.sh | bashsource ~/.bashrc# 安装18.12.1版本的 Node.js，默认搭配8.19.2的npmnvm install 18.12.1

Floyd算法 概念 Floyd算法，也称为Floyd-Warshall算法，是一种用于求解图中所有顶点对之间最短路径的算法。 它是一种动态规划算法，适用于有向图或带权图，可以处理负权边（但不能包含负权回路，负权回路会导致无限小路径）。 伪代码 12345for(k : V) for(i : V) for(j : V) if(d(i, k) + d(k, j) < d(i, j)) d(i, j) = d(i, k) + d(k, j) 算法过程 该算法的本质是动态规划，以状态转移方程的形式描述如下，其中 dp[k][i][j] 表示 经过前 k 个顶点的松弛，得到的顶点 i 到顶点 j 的最短路径长度 。注意第一维的 k 表示 k 个顶点，第二维和第三维表示具体的顶点。 定义: dp[k][i][j] 表示经过前 k 个顶点的松弛，得到的顶点 i 到顶点 j 的最短路径长度。 边界: dp[0][i][j] = i == j ? 0 : (g[i][j] == 0 ? Inf : g[i][j]) 递推: dp[k][i][j] = min& ...