新闻详情

新闻详情

首页 / 资讯中心 / 详情

DeepSeek LeetCode 107. 二叉树的层序遍历 II Kotlin实现

发布时间:2026/11/14 6:06:32来源:尧图网络
DeepSeek    LeetCode 107. 二叉树的层序遍历 II Kotlin实现
LeetCode 107. 二叉树的层序遍历 II — Kotlin 实现思路标准 BFS 层序遍历每遍历完一层得到一个 List。题目要求自底向上所以· 方案一每层结果插入到 result 的头部add(0, level)· 方案二正常从顶到底收集最后 reverse()两者时间复杂度相同方案二在底层是数组时不涉及元素移动实际更高效。代码classTreeNode(varval:Int){varleft:TreeNode?nullvarright:TreeNode?null}classSolution{funlevelOrderBottom(root:TreeNode?):ListListInt{valresultmutableListOfListInt()if(rootnull)returnresultvalqueueArrayDequeTreeNode()queue.addLast(root)while(queue.isNotEmpty()){valsizequeue.sizevallevelArrayListInt(size)repeat(size){valnodequeue.removeFirst()level.add(node.val)node.left?.let{queue.addLast(it)}node.right?.let{queue.addLast(it)}}result.add(level)}result.reverse()returnresult}}复杂度分析· 时间复杂度O(n)每个节点进出队列各一次reverse 是 O(层数) ≤ O(n)。· 空间复杂度O(n)队列最多存一层的节点数最坏满二叉树最后一层为 n/2。关键点BFS 分层用 queue.size 作为当前层的节点数循环该次数即可保证一次处理一整层而不是把所有节点混在一起。ArrayDequeKotlin 中 ArrayDeque 做队列比 LinkedList 性能更好且支持 addLast / removeFirst。let 空安全node.left?.let { queue.addLast(it) } 比 if (node.left ! null) 更简洁。自底向上先收集再 reverse()语义清晰也可改用 result.add(0, level)但会有元素搬移开销。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/13 10:09:00

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉