《算法图解》---笔记

第1章 算法简介

二分查找，每次都会减少一半，对于n个元素，使用二分查找最多需要log2n即可找到对应的值
二分查找必须是有序的

大O表示法指出了算法有多快。
大O表示法指出了最糟糕情况下的运行时间

从快到慢的常见5种大O运行时间：
O(logn) < O(n) < O(n * logn) < O(n^2) < O(n!)

第2章 选择排序

两种最基本的数据结构—数组和链表

数组：

存储连续的数据
数组的查找效率很高，可迅速找到数组的任何元素

链表：

元素可以存储在内存的任何地方。每个元素都存储了下一个元素的地址，从而使一系列随机的内存地址串在一起。
链表查找效率没有数组高，查找链表，需要从头开始，一个一个查找。

当需要在中间插入元素时，链表是更好的选择
删除元素，链表也是更好的选择

第3章 递归

如果使用循环，程序的性能可能更高；
如果使用递归，程序可能更容易理解。

由于递归函数调用自己，因此编写这样的函数时很容易出错，导致无限循环。
编写递归函数时，必须告诉它何时停止递归。

第4章 快速排序

分而治之(divide and conquer D&C)：一种著名的递归式问题解决方法

递归 -> 分而治之 -> 快速排序

如何将一块168 x 64的地均匀地分成正方形，并确保分出的方块是最大的？

D&C不止可用于解决问题的算法，更是一种解决问题的思路。

第5章 散列表

散列函数总是将同样的输入映射到相同的索引
散列函数将不同的输入映射到不同的索引

散列函数和数组，创建了一种被称为 散列表(hase table)的数据结构

散列表也被称为：散列映射、映射、字典、关联数组

处理冲突的最简单的方法：如果两个键映射到了同一个位置，就在这个位置存储一个链表

• 最理想的情况：散列函数将键均匀地映射到散列表的不同位置
• 如果散列表存储的链表很长，散列表的速度将急剧下降。然而，如果使用的散列函数很好，这些链表就不会很长
• 散列函数很重要，好的散列函数很少导致冲突。

第6章 广度优先搜索

图由 节点 和 边 组成
一个节点可能与众多节点直接相连，这些节点被称为邻居。

解决最短路径问题的算法被称为：广度优先搜索
广度优先搜索可回答两类问题：

1. 从节点A出发，有前往节点B的路径吗？
2. 从节点A出发，前往节点B的哪条路径最短？

队列：先进先出(FIFO)，只支持两种操作：入队和出队
栈：后进先出(LIFO)

有向图中的边为箭头，箭头的方向指定了关系的方向
无向图中的边不带箭头，其中的关系是双向的。
无向图意味着两个节点彼此指向对方，其实就是环

第7章 狄克斯特拉算法

广度优先搜索找出段数最少的路径
狄克斯特拉算法(Dijksta)找出最快的路径

广度优先搜索查找两点之间的最短路径，“最短”指的是 段数最少
狄克斯特拉算法中，给每段都分配了一个数字或权重，因此，找出的是总权重最小的路径。狄狄克斯特拉算法只适用于：有向、无环图
狄克斯特拉算法不能用于：包含 负权边的图

第8章 贪婪算法

贪婪算法很简单：每步都采取最优的做法。每步都选择局部最优解，最终得到全局最优解。

NP完全问题：没有快速算法的问题
学习识别NP完全问题，以免浪费时间去寻找解决它们的快速算法

第9章 动态规划

动态规划：将问题分成小问题，并先着手解决这些小问题

动态规划处理的是，01问题，要不拿，要不不拿，而不能是拿一部分的（大米、扁豆）

第10章 K最近邻算法

K最近邻（KNN）算法，把A与附近相近B分为一类
KNN用于分类和回归，需要考虑最近的邻居

推荐系统就是使用的K最近邻算法

KNN算法也可用于机器学习领域、OCR识别

第11章 接下来如何做

二叉查找树：对于每个节点，左子节点的值都比它小，而右子节点的值都比它大
二叉查找树中查找节点时，平均运行时间为O(logn)，但在最糟的情况下所需时间是O(n)
而在有序数组中查找，最糟的情况下所需时间也只有O(logn)

那么，有序数组查找比二叉查找树好？

然而，二叉查找树的插入与删除的操作速度要快得多