实践记录以及工具使用-刷题实践｜豆包MarsCode AI 刷题功能分析 AI刷题工具的判题流程与其他平台相比，其独

功能分析

AI刷题工具的判题流程与其他平台相比，其独特之处在于它将判题示例直接集成在主程序中，而不是采用模块化分离输入与输出的方式。这种设计理念在实际应用中展现出了其独特的优势。特别是在代码调试阶段，这种集成化的设计让我能够更加直观地验证输出格式是否与预期一致，极大地提高了调试效率。例如，我可以直接在代码中添加测试用例，如下所示：

if __name__ == "__main__":
    # 在这里添加测试用例
    print(solution(2, [[1,2], [2,3]]) == 2)  # 预期输出为True
    print(solution(4, [[1,2], [2,3],[3,5], [4,3]]) == 3)  # 预期输出为True

这种设计让我在编写代码时能够即时看到测试结果，从而快速定位问题。此外，AI刷题工具目前支持全员在线调试，这是与其他在线练习网站相比的一大亮点。它允许我在云端环境中实时运行和测试代码，无需担心本地环境的配置问题。另一个让我觉得非常实用的功能是云端编辑器。它不仅让我能够在任何时间、任何地点进行刷题，不受设备限制，而且还具备了自动保存功能，确保了我编写的代码不会因为意外情况而丢失。值得一提的是，云端编辑器的配色方案让我感到非常舒适，这极大地提升了我的编码体验。

然而，有一点体验不尽如人意的是，AI刷题工具不支持同时打开多个题目。每次打开一道新题目时，其他标签页都会被强制重置，这在使用过程中造成了一定的不便。

刷题实践

在实际使用AI刷题工具的过程中，我深刻体会到了它的优势。以下是一个具体的实践案例：在解决“106 小M的多任务下载器挑战”这一题目时，我首先构思了一个时间复杂度为 $O(N(end-start))$ 的蛮力算法。虽然我发现这道题目的测试样例相对较弱，以至于蛮力算法也能够通过，但我仍然好奇是否存在更高效的算法。于是，我向MarsCode AI输入了提示词：“你能给出一个复杂度更低的算法吗，一步步思考给出答案”，并运用了在Langchain实战课中学到的zeroshoot提示词技巧，以增强模型的推理能力。 AI模型最终给出了一个时间复杂度为 $O(N(\log(N)))$ 的算法，并为我详细分析了原有算法与新算法各自的时间复杂度。通过这个过程，我学会了如何通过排序并检查关键时间点来避免逐时间判断，从而优化算法。以下是优化后的代码：

def solution(n, array):
    events = []
    for ai in array:
        start_time = ai[0]
        end_time = ai[0] + ai[1]
        events.append((start_time, 1))  # 1表示任务开始
        events.append((end_time, -1))   # -1表示任务结束
    
    # 按时间点排序，如果时间点相同，先处理结束事件再处理开始事件
    events.sort()
    
    max_concurrency = 0
    current_concurrency = 0
    
    for event in events:
        current_concurrency += event[1]
        if current_concurrency > max_concurrency:
            max_concurrency = current_concurrency
    
    return max_concurrency

解题思路

事件标记法：
- 将每个任务的开始和结束时间视为一个事件，分别记录在事件列表中。
- 对于每个任务，我们记录两个事件：任务开始时增加并发数，任务结束时减少并发数。
- 按时间顺序遍历事件列表，同时维护当前的并发数。
数据结构选择：
- 使用列表存储所有事件，每个事件包含时间点和事件类型（开始或结束）。
- 对事件列表按时间点进行排序。
算法步骤：
- 创建事件列表，将每个任务的开始和结束事件加入列表。
- 对事件列表按时间点进行排序。
- 遍历事件列表，维护当前的并发数，并记录最大并发数。在理解了这个解题思路后，我还可以在右侧直接点击“AI解释”按钮，让AI为我逐段进行进一步的解释，这大大加深了我对算法的理解。通过这样的实践，我不仅提高了编程能力，还学会了如何更有效地利用AI工具来辅助学习。

AI刷题工具还给出了使用扫描线算法来解决这个问题的方案。

def max_concurrent_tasks(n, tasks):
    events = []
    
    # 将每个任务的开始和结束时间转换为事件
    for start, duration in tasks:
        events.append((start, 1))  # 开始事件
        events.append((start + duration, -1))  # 结束事件
    
    # 按照时间排序，如果时间相同，先处理结束事件再处理开始事件
    events.sort()
    
    max_concurrent = 0
    current_concurrent = 0
    
    # 扫描事件列表
    for time, event_type in events:
        current_concurrent += event_type
        max_concurrent = max(max_concurrent, current_concurrent)
    
    return max_concurrent

# 测试样例
n = 5
array = [[1, 3], [3, 4], [2, 2], [6, 5], [5, 3]]
print(max_concurrent_tasks(n, array))  # 输出: 3

代码解释

事件列表：我们将每个任务的开始和结束时间转换为事件，并存储在一个列表中。开始事件用 1 表示，结束事件用 -1 表示。
排序：我们将事件列表按照时间排序。如果两个事件的时间相同，我们先处理结束事件再处理开始事件，这样可以确保在同一时间点上，结束的任务不会影响当前的并发数。
扫描事件：我们遍历事件列表，通过累加事件类型来计算当前的并发任务数，并记录最大值。

这个算法的时间复杂度为 O(n log n)，其中 n 是任务的数量，主要时间开销在排序操作上。

介绍扫描线算法

扫描线算法（Sweep Line Algorithm）是一种常用的几何算法，主要用于解决与时间或空间上的事件相关的问题。它的基本思想是通过一条虚拟的“扫描线”在时间或空间上移动，处理遇到的各个事件，从而解决问题。

在继续交互后我还学习到了扫描线算法的相关知识。

扫描线算法的基本步骤

事件定义：首先，我们需要定义事件。事件通常是一些时间点或空间点上的操作，比如任务的开始和结束、线段的交点等。
事件排序：将所有事件按照时间或空间顺序进行排序。如果两个事件在同一时间或空间点上发生，通常需要定义一个优先级规则来处理这种情况。
扫描线移动：使用一条虚拟的扫描线从左到右（或从上到下）移动，依次处理每个事件。在处理每个事件时，更新当前的状态，并记录或更新需要的结果。
状态维护：在扫描线移动的过程中，通常需要维护一些状态信息，比如当前有多少个任务在运行、当前的线段交点等。

实践记录以及工具使用-刷题实践｜ 豆包MarsCode AI 刷题

功能分析

刷题实践

解题思路

代码解释

扫描线算法的基本步骤

实践记录以及工具使用-刷题实践｜豆包MarsCode AI 刷题