知还。

树与图的存储「存储方式：」 邻接矩阵 邻接表（常用） 123456//邻接表int h[N], e[N * 2], ne[N * 2], idx;void add(int a, int b) { e[idx] = b, ne[idx] = h[a], h[a] = idx++;} 树与图的深度优先遍历遍历就根据邻接表遍历方式进行。 1234567891011--------模版---------------// 需要标记数组st[N], 遍历节点的每个相邻的便void dfs(int u) { st[u] = true; // 标记一下，记录为已经被搜索过了，下面进行搜索过程 for (int i = h[u]; i != -1; i = ne[i]) { int j = e[i]; if (!st[j]) { dfs(j); } }} 树的重心给定一颗树，树中包含 n个结点（编号 1∼n）和 n−1条无向边。 ...

1.步骤「优化文章链接：」 我们首先看没有优化的文章链接，按照日期+文章标题，但是这样有一个非常严重的错误，如果我们更改文章标题，那么文章原来的链接就会改变，而搜索引擎会不会收录稳定性不高的文章，同时访客也无法长期访问。 我们需要安装插件： 1npm install hexo-abbrlink --save 在hexo主配置文件中修改： 1permalink: posts/:abbrlink.html 修改完毕后： 为数字形式 「百度站长工具设置：」 点击链接：站点管理_站长工具_百度搜索资源平台 (baidu.com) 然后 站点管理—> 添加网站—>自己填写信息进行验证。 「安装插件：」 123npm install hexo-baidu-url-submit --savenpm install hexo-generator-sitemap --save npm install hexo-generator-baidu-sitemap --save 「修改配置文件：」 在hexo主配置文件中新增 12345baidu_url_submit: c ...

1.主要原因在Butterfly主题中有时会发现页面速度加载较慢，这时打开 开发者工具发现，是有一些引用资源的引用地址访问太慢导致，解决办法是替换引用资源的地址即可。 2.解决办法在Butterfly的主题配置文件 _config.yml中，注意不是hexo的配置文件，是主题配置文件，打开拉到最下面,找到CDN这一项，然后找到 option，把加载不出来的文件链接进行替换即可。 详细参数可访问Butterfly官方文档：Butterfly 安裝文檔(四) 主題配置-2 | Butterfly 全局修改「思路：」全局修改可以将所有引用文件替换成一个服务厂商的，这里介绍替换为elemecdn。 「参考：」06_Hexo-elemecdn 加速 Butterfly 第三方资源 | Mycpen 「步骤：」 修改 themes/butterfly/scripts/events/cdn.js，增加 elemecdn 字段 1elemecdn: `https://npm.elemecdn.com/${name}${ve ...

1.DFS—深度优先搜索排列数字给定一个整数 n，将数字 1∼n 排成一排，将会有很多种排列方法。 现在，请你按照字典序将所有的排列方法输出。 输入格式 共一行，包含一个整数 n。 输出格式按字典序输出所有排列方案，每个方案占一行。 数据范围 11≤n≤7 输入样例： 13 输出样例： 1234561 2 31 3 22 1 32 3 13 1 23 2 1 「完整代码：」 1234567891011121314151617181920212223242526272829303132333435363738#include <bits/stdc++.h>using namespace std;const int N = 10;int n;int path[N];bool st[N];void dfs(int x){ // 如果x到达最后一层，就进行输出 if(x == n) { for(int i = 0; i < n;i++) { cout << p ...

1.模拟散列表开放寻址法「解题思路：」 用2 ~ 3倍的空间来存储，这样一般不会发生溢出问题。 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051#include <bits/stdc++.h>using namespace std;const int N = 200003,null = 0x3f3f3f3f;int h[N];// find 函数：如果是 x在h中不存在，则返回其该插入的位置// 如果存在，则返回其所在的位置int find(int x){ int k = (x % N + N) % N; while(h[k] != null and h[k] != x) { k++; if(k == N) { k = 0; } } return k; ...

1.堆排序测试数据 根节点不包含字符，除根节点外的每一个子节点都包含一个字符。从根节点到某一个节点，路径上经过的字符连接起来，为该节点对应的字符串。每个节点的所有子节点包含的字符互不相同。通常在实现的时候，会在节点结构中设置一个标志，用来标记该结点处 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950#include <bits/stdc++.h>using namespace std;// 手写一个堆// 1.插入一个数// 2.求集合当中的最小值// 3.删除最小值// 4.删除任意一个元素// 5.修改任意一个元素const int N = 100010;int n, m;int h[N], cnt;void down(int u){ int t = u; if (u * 2 <= cnt and h[u * 2] < h[t]) t = u * 2; if (u * 2 + 1 &l ...

1.合并集合1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950#include <bits/stdc++.h>using namespace std;const int N = 1e5 + 10;int arr[N];int find(int x){ if (arr[x] != x) { arr[x] = find(arr[x]); } return arr[x];}int main(){ int n, m; cin >> n >> m; for (int i = 1; i <= n; i++) { arr[i] = i; } while (m--) { char c1; int a, b; ...

1.tire树「tire数定义：」 什么是Trie树Trie树，又叫字典树、前缀树（Prefix Tree）、单词查找树 或 键树，是一种多叉树结构。如下图： 上图是一棵Trie树，表示了关键字集合{“a”, “to”, “tea”, “ted”, “ten”, “i”, “in”, “inn”} 。从上图可以归纳出Trie树的基本性质： 根节点不包含字符，除根节点外的每一个子节点都包含一个字符。从根节点到某一个节点，路径上经过的字符连接起来，为该节点对应的字符串。每个节点的所有子节点包含的字符互不相同。通常在实现的时候，会在节点结构中设置一个标志，用来标记该结点处是否构成一个单词（关键字）。 可以看出，Trie树的关键字一般都是字符串，而且Trie树把每个关键字保存在一条路径上，而不是一个结点中。另外，两个有公共前缀的关键字，在Trie树中前缀部分的路径相同，所以Trie树又叫做前缀树（Prefix Tree）。 「变量介绍：」 123C++int arr[N][30], cnt[N], idx; // 二维数组 N 对应字符串最大长度，30对应 26个字的26种状态，这里稍微增大 ...

C++ string字符串比较方法详解字符串可以和类型相同的字符串相比较，也可以和具有同样字符类型的数组比较。 Basic_string 类模板既提供了 >、<、==、>=、<=、!= 等比较运算符，还提供了 compare() 函数，其中 compare() 函数支持多参数处理，支持用索引值和长度定位子串进行比较。该函数返回一个整数来表示比较结果。如果相比较的两个子串相同，compare() 函数返回 0，否则返回非零值。 compare()函数类 basic_string 的成员函数 compare() 的原型如下： 123456PLAINTEXTint compare (const basic_string& s) const;int compare (const Ch* p) const;int compare (size_type pos, size_type n, const basic_string& s) const;int compare (size_type pos, size ...

1.kmp 字符串匹配「kmp算法介绍：」 KMP算法是一种改进的字符串匹配算法，由D.E.Knuth，J.H.Morris和V.R.Pratt提出的，因此人们称它为克努特—莫里斯—普拉特操作（简称KMP算法）。KMP算法的核心是利用匹配失败后的信息，尽量减少模式串与主串的匹配次数以达到快速匹配的目的。具体实现就是通过一个next()函数实现，函数本身包含了模式串的局部匹配信息。KMP算法的时间复杂度O(m+n) [1]。 字符串的模式匹配是一种常用的运算。所谓模式匹配,可以简单地理解为在目标(字符串)中寻找一个给定的模式(也是字符串)，返回目标和模式匹配的第一个子串的首字符位置。通常目标串比较大，而模式串则比较短小。 简洁来说，就是在较长的字符串S中寻找子串P是否存在以及多少个的问题。 「实现思路：」 朴素做法：可以使用暴力枚举，但是时间复杂度高，耗时。 优化做法：使用ne[]数组存储子串P最大匹配后缀与最匹配大前缀的下标。 如果遇到不匹配，则跳到P子串与当前位置元素匹配的最大前缀位置。 这么说可能很抽象，画图表示。 假如以上 S （长传）与 P（子串） 先让P匹配自己，让每一 ...