算法图解

注：此文主要用于《算法图解》一书各章节知识点概述。

---

第一章：

二分查找算法Ｏ(logn)
算法程序：

简单查找算法Ｏ(n)
大Ｏ运行时间：
Ｏ(logn)　< Ｏ(n) < Ｏ(nlogn) < Ｏ(n²) < Ｏ(n!)

先排序，再查找

---

第二章：

数组:适用于读取很多
读取Ｏ(1)　插入Ｏ(n)　删除Ｏ(n)

链表:适用于插入很多
读取Ｏ(n)　插入Ｏ(1)　删除Ｏ(1)

数组与链表是所有复杂数据结构的基石

链表数组
散列表
数据库

选择排序：Ｏ(n²)
每一次都遍历，找出最大，次大，次小，最小

---

第三章：

递归
每个递归函数包含两部分：
基线条件：让函数不再自己调用自己，避免无限循环
递归条件：让函数自己调用自己

调用栈　用于存储多个函数的变量
递归函数调用栈

---

第四章：

快速排序
采用了分而治之的思想
平均时间，最佳时间　Ｏ(nlogn)
最糟时间　Ｏ(n²)
算法

分而治之
１、找出简单的基线条件
２、确定如何缩小问题的规模，使其符合基线条件

编写涉及数组的递归函数时，基线条件通常是数组为空或者只包含一个元素。

---

第五章：

散列表（散列映射、映射、字典、关联数组）
散列表通过散列函数来确定元素的存储位置，是一种包含额外逻辑的数据结构
数组和链表都是直接映射到内存

散列表由键和值组成
DNS解析就是一个字典过程，将网址转换成IP地址
散列表具有数组的查找速度和链接的删除插入速度

---

第六章：

广度优先搜索（ＢＦＳ）
一种图算法
可以用来计算最短距离
图由节点(node)和边(edge)组成
邻居
有向图，关系为单向的，有箭头
无向图，关系为双向的，无箭头

广度优先搜索可解决两类问题：
１、从节点Ａ出发，有前往节点Ｂ的路径么？
２、从节点Ａ出发，前往节点Ｂ的哪条路径最短？

算法时间：
Ｏ(V+E)
V:顶点数
E:边数

树是一种特殊的图，其中没有往后指的边

队列
入队与出队
先进先出结构　队列
先进后出结构　栈

---

第七章：

迪克斯特拉算法：
可以找出加权图中前往目标的最短路径
只适用于有向无环图
步骤：
１、找出最便宜的节点，即可在最短时间内前往的节点
２、对于该节点的邻居，检查是否有前往他们的更短路径，如果有，就更新其开销
３、重复这个过程，直到对图中的每个节点都这样做了
４、计算最终路径

加权图：
提高或降低某些边的权重

图中的环

不能将迪克斯特拉算法用于包含负权边的图
在包含负权边的图中，要找出最短路径，可采用　贝尔曼－福德算法

---

第八章：

贪婪算法：
每一步都选择局部最优解，最终企图得到的就是全局最优解

此算法有ｂｕｇ
有可能只解出近似解，而不是最优解
但执行很简单
贪婪算法是一种近似算法

判断近似算法的优劣标准:
１、速度有多快
２、得到的近似解与最优解的接近程度

NP完全问题
NP完全问题不用寻找完美解决方案，一般采用近似算法
一般涉及组合，集合，序列问题，都很有可能是NP完全问题。
比如旅行商问题和集合覆盖问题

---

第九章：

动态规划：
需要在给定约束条件下优化某种指标时，动态规划很管用。
原理：先解决子问题，再逐步解决大问题

将问题进行网格化划分。
单元格中的值通常就是你要优化的值。
每个单元格都是一个子问题。

仅当每个子问题都是离散的，即不依赖于其他子问题时，动态规划才管用

最长公共子串
最长公共子序列

---

第十章：

K最近邻算法：

分类
可以用来创建分类系统
特征提取，进行数字化衡量
采用毕达哥拉斯公式进行距离相似度衡量
注意可以缩放数据尺寸，进行统一标准
或者进行权重分配，有所偏重

回归
回归就是预测结果
首先采用KNN找出最接近的几个邻居
邻居数量选择：一般总用户为n个，则选择sqrt(n)个
再对它们取平均值进行预测

余弦相似度，比较角度，而不是距离，可能更合理

---