合并区间与单调数字算法解析-代码聚汇网

合并区间与单调数字算法解析

镝不咸

1. 合并区间算法详解

1.1 问题分析与排序预处理

合并区间问题的核心在于处理多个可能重叠的区间，将它们合并成不重叠的区间集合。我们首先需要对所有区间按照左边界进行排序，这是解决问题的关键第一步。

排序的作用在于：

确保我们总是处理当前最左边的区间
使重叠区间的判断变得简单直接
避免复杂的回溯检查

时间复杂度分析：排序步骤使用Python内置的Timsort算法，时间复杂度为O(nlogn)，这将成为整个算法的时间复杂度上限。

1.2 合并逻辑与边界处理

合并过程采用贪心算法策略，维护一个"当前合并区间"的概念：

初始化时将第一个区间作为当前合并区间
遍历后续每个区间，比较当前区间的左边界与合并区间的右边界
如果存在重叠（当前左边界 ≤ 合并右边界），则扩展合并区间的右边界
如果不重叠，则将当前合并区间加入结果，并开始新的合并区间

边界情况处理：

空输入：直接返回空列表
单区间输入：直接返回该区间
完全包含的区间：自动处理，因为max(right)会保留更大的右边界

1.3 完整实现与优化

python复制class Solution:
    def merge(self, intervals: List[List[int]]) -> List[List[int]]:
        if not intervals:
            return []
        
        # 按左边界排序
        intervals.sort(key=lambda x: x[0])
        
        merged = []
        current_start, current_end = intervals[0]
        
        for interval in intervals[1:]:
            start, end = interval
            if start <= current_end:  # 存在重叠
                current_end = max(current_end, end)  # 扩展右边界
            else:
                merged.append([current_start, current_end])
                current_start, current_end = start, end
        
        # 添加最后一个合并区间
        merged.append([current_start, current_end])
        
        return merged

关键提示：最后的merged.append()不可或缺，这是很多初学者容易遗漏的边界处理。

2. 单调递增数字问题解析

2.1 问题转换与数字处理

我们需要找到不大于给定数字n的最大单调递增数字。单调递增定义为：每个数字大于或等于其左侧数字。

处理策略：

将数字转换为数字列表，方便逐位处理
从右向左扫描，寻找第一个递减的位置
调整该位置及其右侧的数字

2.2 关键调整逻辑

当发现num[i] < num[i-1]时：

将num[i-1]减1（这是必须的，因为增大右侧数字会超过原数）
将该位置右侧所有数字设为9（这样可以最大化数字值）

python复制class Solution:
    def monotoneIncreasingDigits(self, n: int) -> int:
        digits = list(str(n))
        marker = len(digits)  # 标记需要设为9的起始位置
        
        for i in range(len(digits)-1, 0, -1):
            if digits[i] < digits[i-1]:
                digits[i-1] = str(int(digits[i-1]) - 1)
                marker = i
        
        # 将标记位之后的所有数字设为9
        for i in range(marker, len(digits)):
            digits[i] = '9'
        
        return int(''.join(digits))

2.3 复杂度与优化

时间复杂度：O(d)，d为数字位数
空间复杂度：O(d)用于存储数字列表

优化点：

可以直接在字符串上操作，避免多次类型转换
可以提前终止扫描，当发现高位已经满足单调性时

3. 二叉树监控问题深度剖析

3.1 问题建模与状态定义

这是一个典型的树形DP问题，需要后序遍历处理。我们定义三种状态：

0：该节点未被监控
1：该节点安装了摄像头
2：该节点被监控但未安装摄像头

3.2 状态转移规则

对于每个节点，根据子节点状态决定自身状态：

任一子节点未被监控（状态0）→ 当前节点必须安装摄像头（状态1）
任一子节点有摄像头（状态1）→ 当前节点被监控（状态2）
所有子节点被监控但无摄像头（状态2）→ 当前节点未被监控（状态0）

3.3 实现细节与边界处理

python复制class Solution:
    def minCameraCover(self, root: Optional[TreeNode]) -> int:
        self.cameras = 0
        
        def dfs(node):
            if not node:
                return 2  # 空节点视为已覆盖
            
            left = dfs(node.left)
            right = dfs(node.right)
            
            if left == 0 or right == 0:
                self.cameras += 1
                return 1
            
            if left == 1 or right == 1:
                return 2
            
            return 0
        
        if dfs(root) == 0:
            self.cameras += 1
            
        return self.cameras

3.4 算法正确性证明

贪心策略的正确性基于：

叶子节点的父节点安装摄像头可以覆盖最多节点
后序遍历确保子节点状态先于父节点确定
状态转移覆盖了所有可能情况

时间复杂度：O(n)，每个节点访问一次
空间复杂度：O(h)，递归栈深度为树高

4. 算法应用与实战技巧

4.1 合并区间的实际应用场景

日程安排系统：合并可能重叠的会议时间
资源分配：合并连续的内存块或磁盘空间
图形处理：合并重叠的图形区域

实战技巧：

对于大规模数据，可以考虑并行化排序阶段
如果区间已经部分有序，可以优化排序算法选择
内存紧张时可以使用生成器逐步处理

4.2 数字处理问题的变种

类似问题包括：

寻找小于n的最大单调递减数字
寻找满足特定数字模式的最大数字
数字重组问题

调试技巧：

打印中间结果验证调整逻辑
使用小数字手动验证边界情况
注意前导零的特殊处理

4.3 树形DP问题的通用解法

解决树形DP问题的通用框架：

定义合适的状态
确定遍历顺序（通常后序遍历）
设计状态转移方程
处理边界条件（如空节点）
最终检查根节点状态

性能优化方向：

记忆化重复计算
迭代法替代递归减少栈空间
状态压缩减少内存使用

5. 常见错误与调试方法

5.1 合并区间典型错误

忘记排序导致合并不全
最后一个区间未加入结果
错误的重叠判断条件
边界条件处理不全（空输入、单区间）

调试方法：

打印排序后的区间列表
跟踪当前合并区间的变化
使用简单测试用例验证

5.2 数字处理常见陷阱

数字到列表的转换错误
标记位置更新逻辑错误
忘记处理所有标记位之后的数字
前导零问题（虽然本题不涉及）

调试建议：

逐步打印数字列表状态
验证标记位置是否正确
手动计算小数字示例

5.3 二叉树监控易错点

状态定义不清晰
遍历顺序错误（应后序遍历）
遗漏根节点的特殊检查
状态转移条件不完整