博客
关于我
LeetCode刷题记录15——21. Merge Two Sorted Lists(easy)
阅读量:534 次
发布时间:2019-03-08

本文共 1434 字,大约阅读时间需要 4 分钟。

为了优化您的LeetCode刷题记录内容,以下是一个经过重新优化的版本:

LeetCode刷题记录15——21. Merge Two Sorted Lists(easy)

题目描述

今天的题目是关于链表的,给定两个链表,然后合并它们,要求从小到大。这个问题看起来简单,但作为新手,我还是得仔细想想该怎么做。

这个问题可以通过一种常见的方法——二路合并法来解决。基本思路是用一个新的头节点作为开头,然后逐个比较两个链表当前指针的值,决定连接哪个节点到新链表中。

假设两个链表的头节点分别是l1l2,比较它们的值,值小的那个入链表,并向前移动相应的指针。重复这个过程直到两个链表都遍历完毕,剩下的节点则依次连接到新链表中。

功能实现

该函数的实现步骤如下:

  • 判断链表是否为空,若一个为空则直接返回另一个。
  • 初始化新链表的头节点p,并将l1l2作为新链表的初始节点。
  • 用循环逐个比较两个链表的当前节点,决定连接到新链表中。
  • 当两个链表都遍历完毕后,拼接剩下的节点。
  • 返回新的链表头节点。
  • 代码实现

    struct ListNode {    int val;    ListNode* next;};class Solution {public:    ListNode* mergeTwoLists(ListNode* l1, ListNode* l2) {        ListNode* head = nullptr;        if (l1 == nullptr) {            return l2;        }        if (l2 == nullptr) {            return l1;        }        if (l1->val <= l2->val) {            head = l1;            l1 = l1->next;        } else {            head = l2;            l2 = l2->next;        }        ListNode* p = head;        while (l1 && l2) {            if (l1->val <= l2->val) {                p->next = l1;                l1 = l1->next;            } else {                p->next = l2;                l2 = l2->next;            }            p = p->next;        }        if (l1 != nullptr) {            p->next = l1;        } else {            p->next = l2;        }        return head;    }};

    后记

    今天的题目算是顺利完成了。通过二路合并法,把两个已排序的链表成功合并成了一个新的链表。虽然不是非常复杂的算法,但理解这个方法仍然很重要。以后遇到类似的问题,可以先回忆这本书的内容,或者查阅相关资料,看看有没有更高效的方法。坚持每日刷题,无论结果如何,都是值得的。相信努力一定会有收获的!

    转载地址:http://soyiz.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
    查看>>
    OpenCV与AI深度学习 | 实用技巧 | 使用OpenCV进行模糊检测
    查看>>
    OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
    查看>>
    OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
    查看>>
    OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
    查看>>
    OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
    查看>>
    OpenCV与AI深度学习 | 深入浅出了解OCR识别票据原理
    查看>>
    OpenCV与AI深度学习 | 深度学习检测小目标常用方法
    查看>>
    OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
    查看>>
    OpenCV与AI深度学习 | 高效开源的OCR工具:Surya-OCR介绍与使用
    查看>>