算法导论第三版开始啃

还是要对得起自己的学历，回归算法，虽然难，但只要坚持下去，相信就会一片光明。。。吾辈岂是蓬蒿人！

第一部分基础
1、插入排序
2、归并排序

分治法
思想：将原问题分解为几个规模较小但类似于原问题的子问题，递归地求解这些子问题，然后再合并这些子问题的解来建立原问题的解。
3、分治策略
分解（Divide）步骤将问题划分为一些子问题，子问题的形式与原问题一样，只是规模更小。
解决（Conquer）步骤递归地求解出子问题。如果子问题的规模足够小，则停止递归，直接求解。
合并（Combine）步骤将子问题的解组合成原问题的解。

4、最大子数组问题
假定要寻找子数组A[low…high]的最大子数组。使用分治技术意味着要将子数组划分为两个规模尽量相等的子数组。找到数组的中央位置。比如mid,A[low…high]的任何连续子数组A[i…j]所处的位置必然是以下三种情况之一：
(1)完全位于子数组A[low…mid]中，因此low<=i<=j<=mid.
(2)完全位于子数组A[mid+1…high]中，因此mid<i<=j<=high.
(3)跨越了中点，因此low<=i<=mid<j<=high.
分析（1）、（2）两个子问题仍是最大子数组问题。只是规模更小。
跨越中点的子数组都由两个子数组A[i…mid]和A[mid+1…j]组成，其中low<=i<=mid且mid<j<=high.找出形如A[i…mid]和A[mid+1…j]的最大子数组 ，然后将其合并即可。
过程FIND-MAX-CORSSING-SUBARRAY接收数组A和下标low、mid和high为输入，返回一个下标元组划定跨越中点的最大子数组的边界，并返回最大子数组中值的和。

跨越中点的最大子数组


1-7行求出左半部A[low…mid]的最大子数组。8-14行求右半部A[mid+1…high]的最大子数组。
第15行返回下标max-left和max-right,划定跨越中点的最大子数组的边界，并返回子数组A[max-left…max-right]的和left-sum+right-sum.
求解最大子数组问题的分治算法的伪代码：

5、矩阵乘法的Strassen算法。
矩阵加法就是相同位置的数字加一下。

减法与之类似。

矩阵乘法：
矩阵乘以一个常数，就是所有位置都乘以这个数。

但是，等到矩阵乘以矩阵的时候，一切就不一样了。

这个结果是怎么算出来的？

教科书告诉你，计算规则是，第一个矩阵第一行的每个数字（2和1），各自乘以第二个矩阵第一列对应位置的数字（1和1），然后将乘积相加（ 2 x 1 + 1 x 1），得到结果矩阵左上角的那个值3。

也就是说，结果矩阵第m行与第n列交叉位置的那个值，等于第一个矩阵第m行与第二个矩阵第n列，对应位置的每个值的乘积之和。
有三组未知数x,y和 t，其中 x 和 y 的关系如下

x 和 t 的关系如下：

有了这两组方程式，就可以求 y 和 t 的关系。从矩阵来看，很显然，只要把第二个矩阵代入第一个矩阵即可。

从方程式来看，也可以把第二个方程组代入第一个方程组。

上面的方程组可以整理成下面的形式。

最后那个矩阵等式，与前面的矩阵等式一对照，就会得到下面的关系。


SQUARE-MATRIX-MULTIPLY

第3-7行的for循环计算每行中的元素，在第i行中，第4-7行的for循环计算每列中的每个元素cij。第5行将cij初始化为0，开始按（4.8）公式中的求和计算，第6-7行的for循环每步迭代将公式（4.8）中的一项累加。i表示下标行，j表示下标列 ，k为公式（4.8）中的下标矩阵a 的列，矩阵b的行。

分治算法，计算矩阵乘法：



不优于直接的SQUARE-MATRIX-MULTIPLY过程 。

创建如下的10个子矩阵。






从实用的角度看，Sreassen算法通常并不是解决矩阵乘法的最好选择，原因如下：

概率分析和随机算法
1、雇佣问题
排序和顺序统计量
1、堆排序
2、快速排序
3、线性时间排序
4、中位数和顺序统计量

数据结构
集合作为计算机科学的基础，就如同他们在数学中所起的作用。
一、基本数据结构
1、栈和队列
栈和队列都是动态集合，且在其上进行DELETE操作所移除的元素是预先设定的。在栈（stack）中，被删除的是最近插入的元素：栈实现的是一种后进先出（last-in，first-out，LIFO）策略。在队列（queue）中，被删去的总是在集合中存在时间最长的那个元素：队列实现的是一种先进先出（first-in，fist-out，FIFO）策略。

栈

栈上的INSERT操作称为压入（PUSH），而无元素参数的DELETE操作称为弹出（POP）。
可以用一个数组S[1…n]来实现一个最多可容纳n个元素的栈。S[1]栈底元素，S[S.top]是栈顶元素。

栈的几种操作。

---

STACK-EMPTY（S）
1 if S.top==0
2 return TRUE
3 else rerurn FALSE

---

PUSH(S,x)
1 S.top=S.top+1
2 S[S.top]=x

---

POP(S)
1 if STACK-EMPTY(S)
2 error “underflow”
3 else S.top=S.top-1
4 return S[S.top+1]

---

队列

队列上的INSERT操作称为入队（ENQUEUE），DELETE操作称为出队（DEQUEUE）
DEQUEUE操作也没有元素参数。队列的先进先出特性类似于收银台前排队等待结账的一排顾客。队列有队头（head）和队尾（tail）。
2、链表
链表（linked list ）是一种这样的数据结构，其中的各对象按线性顺序排列。数组的线性顺序是由数组下标决定的，然而与数组不同的是，链表的顺序是由各个对象里的指针决定的。链表为动态集合提供了一种简单而灵活的表示方法，并且能支持（添加、删除）等操作。
双向链表（doubly linked list）L的每个元素都是一个对象，每个对象有一个关键字key和两个指针：next 和 prev 。对象中还可以包含其他的辅助数据。设x为链表的一个元素，x.next 指向他在链表中的后继元素，x.prev则指向他的前驱元素。如果x.prev=NIL，则元素x没有前驱，因此是链表的第一个元素，即链表的头（head）。如果x.next=NIL，则元素x没有后继，因此是链表的最后一个元素，即链表的尾（tail）.
L.head=NIL，则链表为空。


3、指针和对象的实现

4、有根数的表示

二、数据结构
散列表
二叉搜索树
红黑树

高级设计和分析技术
1、动态规划
通常用来解决最优化问题，在这类问题中，我们通过做出一组选择来达到最优解。在做出每个选择的同时，通常会生成与原问题形式相同的子问题。当多于一个选择子集都生成相同的子问题时，动态规划技术通常就会很有效，其关键技术就是对每个这样的子问题都保存其解，当其重复出现时即可避免重复求解。
2、贪心算法
贪心算法通常用于最优化问题
3、摊还分析

注：如果有博友想要这本电子版的书，可以留邮箱

自己还年轻，每天进步一点点。。。