news 2026/5/30 22:54:13

day132—链表—K个一组翻转链表(LeetCode-25)

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
day132—链表—K个一组翻转链表(LeetCode-25)

题目描述

给你链表的头节点head,每k个节点一组进行翻转,请你返回修改后的链表。

k是一个正整数,它的值小于或等于链表的长度。如果节点总数不是k的整数倍,那么请将最后剩余的节点保持原有顺序。

你不能只是单纯的改变节点内部的值,而是需要实际进行节点交换。

示例 1:

输入:head = [1,2,3,4,5], k = 2输出:[2,1,4,3,5]

示例 2:

输入:head = [1,2,3,4,5], k = 3输出:[3,2,1,4,5]

提示:

  • 链表中的节点数目为n
  • 1 <= k <= n <= 5000
  • 0 <= Node.val <= 1000

解决方案:

这段代码的核心功能是以 k 个节点为一组反转单链表(若最后剩余节点不足 k 个则保持原有顺序),比如链表 1→2→3→4→5、k=2 时,反转后为 2→1→4→3→5;k=3 时为 3→2→1→4→5,采用「虚拟头节点 + 分组迭代反转」实现,时间复杂度O(n)、空间复杂度O(1),是该问题的经典最优解法。

核心逻辑

代码先统计链表长度确定可反转的组数,再逐组反转并重新拼接,核心是复用区间反转链表的逻辑,同时通过虚拟头节点简化边界处理:

  1. 初始化与长度统计:创建虚拟头节点dx指向原链表头,先遍历链表统计总长度len,用于判断剩余节点是否够一组;
  2. 分组反转循环:只要剩余节点数 ≥ k,就对当前组进行反转:
    • pre/cur/nxt三个指针,迭代反转当前 k 个节点(逻辑与区间反转一致);
    • 反转完成后,将当前组的尾节点(原组头)指向组后第一个节点cur,再将组前驱p0指向组新头pre
    • 更新p0为当前组的尾节点(作为下一组的前驱),并减少剩余长度len -= k
  3. 返回结果:最终返回虚拟头节点的next,即反转后链表的头节点。

总结

  1. 核心思路:先统计长度确定分组数,再逐组复用区间反转逻辑,用虚拟头节点和前驱指针p0处理每组的首尾连接;
  2. 关键操作:每组反转后p0->next->next = curp0->next = prep0 = nxt是保证链表连续的核心,避免分组反转后断裂;
  3. 效率特点:一次遍历统计长度 + 一次遍历分组反转,整体时间O(n)、空间O(1),是 k 组反转链表的最优解法。

函数源码:

/** * Definition for singly-linked list. * struct ListNode { * int val; * ListNode *next; * ListNode() : val(0), next(nullptr) {} * ListNode(int x) : val(x), next(nullptr) {} * ListNode(int x, ListNode *next) : val(x), next(next) {} * }; */ class Solution { public: ListNode* reverseKGroup(ListNode* head, int k) { ListNode dx(0,head); ListNode* p0=&dx; int len=0; ListNode* tmp=head; while(tmp){ len+=1; tmp=tmp->next; }//求长度 ListNode* nxt=nullptr; ListNode* pre=nullptr; ListNode* cur=p0->next;//反转的起始节点:p0->next while(len>=k){ len-=k; //开始反转 for(int i=0;i<k;i++){ nxt=cur->next; cur->next=pre; pre=cur; cur=nxt; } //反转结束,开始更新下一次反转条件 nxt=p0->next; p0->next->next=cur; p0->next=pre; p0=nxt; } return dx.next; } };
版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/5/29 1:41:14

法律大模型实战指南:LLM智能体如何破解法律AI三大难题

本文全面综述法律领域LLM智能体技术&#xff0c;分析其如何通过规划、记忆和工具调用能力解决独立模型面临的幻觉、信息滞后及可验证性不足等挑战。文章系统梳理技术转型路径&#xff0c;构建法律智能体应用分类体系&#xff0c;探讨专门评估方法&#xff0c;并识别开放性挑战&…

作者头像 李华
网站建设 2026/5/28 23:21:53

基于GPU加速的大数据OLAP查询优化实践

基于GPU加速的大数据OLAP查询优化实践&#xff1a;从原理到落地的全流程指南 一、引言&#xff1a;当OLAP遇到“速度瓶颈”——你经历过吗&#xff1f; 1.1 一个真实的痛点&#xff1a;大促后的“查询焦虑症” 去年双11大促结束后&#xff0c;我在电商公司的分析师朋友小张遇到…

作者头像 李华
网站建设 2026/5/30 0:17:48

一文搞懂大模型剪枝

一、什么是大模型剪枝&#xff1f; 通俗来讲&#xff0c;大模型剪枝就是识别并移除模型中“没用”或“用处极小”的部分&#xff0c;这些被移除的部分就是模型的“冗余成分”。 我们可以把大模型想象成一个精密的工厂&#xff0c;里面有无数条生产线&#xff08;对应模型的层、…

作者头像 李华