算法导论复习

一、数据结构

1、红黑树、序统计树、区间树

1.1 红黑树的性质

• 每个节点是红色或黑色的
• 根节点是黑色的
• 叶节点是黑色的
• 红色节点的两个孩子节点都是黑色的
• 从一个节点到后代任意叶节点的简单路径上，黑色节点数相同，即黑高相同

1.2 红黑树的应用 - 顺序统计树、区间树的定义、构造

• 顺序统计树

  顺序统计树是一种支持快速顺序统计操作的一种数据结构

  其可以在 $O(lg(n))$ 复杂度下去定位一个节点的秩，或找到秩为 $x$ 的节点

  它在红黑树的基础上，在每个节点中添加了一个附加信息 $size$，该属性标识以该节点为根的树的节点数

• 区间树

  区间树是一种对动态集合进行维护的红黑树

1.3 数据结构扩张步骤

• 选择一种基础数据结构
• 确定基础数据结构中要维护的附加信息
• 检查基础数据结构上的基本操作能否维护附加信息
• 设计一些新的操作

1.4 一些题目

• 证明：一颗有n个内部节点的红黑树的高度至多为 $2lg(n+1)$

  假设一颗红黑树的高度为$h$，根据性质4，从根到叶节点的任何一条简单路径上都至少有一半的节点为黑色，因此，根的黑高至少为$h/2$，于是有
  $$n\ge 2^{h/2}-1$$
  从而可以得到 $$h\le 2lg(n+1)$$

• 在一棵黑高为 $k$ 的红黑树中，内部节点最多可能有多少个？最少可能有多少个？

  最多时，从根节点到任意叶节点的简单路径上，有 $k$ 个黑节点，有 $k$ 个红节点，此时节点数为 $2^{2k}-1$

  最少时，从根节点到任意叶节点的简单路径上，只有 $k$ 个黑节点，此时节点数为 $2^k-1$

• 红黑树新插入节点时，为何不着色为黑色？着色为黑色，就不会破坏性质4啊

  着色为黑色的话，就会破坏性质5，处理起来更加麻烦

2、二项堆

2.1 二项树的定义、性质

对于一颗二项树 $B_k$，它具有以下性质：

• 有 $2^k$ 个节点
• 树高为 $k$
• 在 $i$ 层上，恰好有 $C_k^i$ 个节点，$i\in [0,k]$
• 根节点的度为 $k$，大于其他任意节点；且其 $k$ 个孩子节点的度从左到右依次为 $k-1,k-2,...,0$；同样的，以其孩子节点为根的树也是一颗二项树，不断递归定义下去
• $B_k$ 可由两棵 $B_{k-1}$ 合并而来

2.2 二项堆的定义

对于一个二项堆 $H$，其遵循以下性质：

• $H$ 中的每一棵二项堆均为小顶堆
• 对任意一种度数 $k$，其对应的二项树 $B_k$ 在 $H$ 中最多只出现一次

2.3 根表的性质

在二项堆 $H$ 中，维护了一个叫根表的东西，且每个节点的 $sibling$ 指针指向其兄弟节点，根表是存储二项堆中的所有二项树的根的链表。且，在根表中，每个根的 $degree$ 是严格递增的

2.4 二项堆的操作、时间

• 创建新堆：$O(1)$
• 查找最小节点：$O(lg(n))$，对于有n个节点的二项堆，其最多有 $\lfloor lg(n)\rfloor +1$ 个二项树
• 合并两个二项堆：$O(lg(n))$，遍历根表，相同度数合并
• 插入节点：创建只含有该节点的新堆，然后合并两个堆，$O(lg(n))$
• 删除最小节点：$O(lg(n))$，找到最小根，将该节点的孩子节点都放到新堆中，合并两个堆
• 减小一个节点的值：$O(lg(n))$，最大深度为 $\lfloor lg(n)\rfloor$
• 删除一个节点：$O(lg(n))$，先将节点降为比最小值还要小的值，然后删除最小节点

3、斐波那契堆

3.1 斐波那契堆的定义

一个斐波那契堆是一系列具有最小堆序的有根树的集合。

3.2 根表的性质

在斐波那契堆中，所有的树根都用左右指针链成了一个环形双链表，其中 $H.min$ 指向最小根节点，$H.n$ 表示根节点数量。根链表中树的次序可以任意。

3.3 斐波那契堆的势函数

对于给定的斐波那契堆 $H$，用 $t(H)$ 表示 $H$ 中根链表中的树的数量，用 $m(H)$ 来表示 $H$ 中已标记的节点数目，定义势函数如下：
$$\varphi (H)=t(H)+2m(H)$$

3.4 斐波那契堆的操作、时间

• 创建一个空斐波那契堆：$O(1)$

• 插入一个节点：真实代价 $O(1)$，摊还代价 $O(1)$

• 寻找最小节点：真实代价 $O(1)$，摊还代价 $O(1)$

• 合并斐波那契堆：真实代价 $O(1)$，摊还代价 $O(1)$

  连接两个根表，从 $H_1.min$ 和 $H_2.min$ 中选出最小根节点作为 $H.min$，并更新 $H.min=H_1.min+H_2.min$

  **疑问：**若仅是这样合并，根表中同一种度数的节点会有多个

• 抽取最小节点：摊还代价 $O(lg(n))$

  首先找到最小节点，若有孩子节点，则将其孩子节点添加到根表中，最后移除最小节点 $z$，此时若 $z$ 的右孩子为自己，说明根表中无其他节点了，所以根表置空，否则执行 $H.min=z.right$，并调用合并根链表操作。

  合并根链表操作需要一个辅助空间 $A[0..D(H.n)$，其中 $A[i]$表示当前遇到过的度数 $i$ 指向的节点，如果有两个节点相同，则合并之。

  合并根链表时是从 $H.min$ 开始遍历根链表的，所以开始之前 $H.min$ 是否指向最小节点并不重要

• 关键字减值：实际代价 $O(c)$，摊还代价 $O(1)$，其中 $c$ 是执行级联剪除函数的次数

  假设要将节点 $x$ 的值减小到 $k$，首先要保证新值 $k$ 不大于旧值，接着，若新值没有违反最小堆序，那么可以直接结束，否则，需要将节点 $x$ 剪除，并向上级联剪除，级联剪除过程如下：

  CASCADING-CUT(H, x):
  	z = x.parent
  	if x.mark = false:
  		x.mark = true
  	else:
  		CUT(x)
  		CASCADING-CUT(H, z)
  

  对于一个节点 $x$，若：

  • 1、在某时刻 $x$ 为根节点
  • 2、$x$ 被链接到某节点后变成了孩子节点
  • 3、$x$ 的两个孩子节点被剪除

  那么，若条件1、2发生，并且 $x$ 的一个孩子节点被剪除，则 $x.mark=true$，若在 $x.mark=true$时，$x$ 又被剪掉了一个孩子节点，那么，$x$ 就会被级联剪除掉。

  也就是说，每一次剪除都会产生一个根节点

  对该方法进行势能分析：

  若剪除了节点 $x$，后又进行了$c-1$次的级联剪除，那么共会产生$c$棵新树，标记数的变化为：$c-1$次级联剪除会消除$c-1$个标记，但是最后一次尝试级联时因未标记节点，故会产生一个标记节点，故新的标记数为 $m(H)-c+2$

  势能变化如下：
  $$t(H)+c+2\ast (m(H)-c+2)-[t(H)+2\ast m(H)]=4-c$$
  那么根据势能法的摊还分析，最终的摊还代价为：
  $$O(c)+4-c=O(1)$$

• 删除一个节点：$O(lg(n))$

  先减值减到最小，再进行抽取最小值节点操作

• 斐波那契堆的最大度数界为 $O(lg(n))$

3.5 一些题目

• 若只支持合并堆操作，那么含有n个节点的斐波那契堆中的最大度数为 $\lfloor lg(n)\rfloor$

  1. 若 $n=2^k$，则该堆中只有一颗二项树，此时该根节点有最大度数为 $D(n)=k=\lfloor lg(n)\rfloor$
  2. 若 $n=2^k+i$，此时斐波那契堆中出现的节点数最多的二项树有$2^k$个节点，该树根节点度数为$D(2^k)=k=\lfloor lg(n)\rfloor$

  综上所述，含有n个节点的斐波那契堆中的最大度数为$\lfloor lg(n)\rfloor$

• 使用聚合分析来证明 FIB-HEAP-DECREASE-KEY 的 $O(1)$ 摊还时间是每一个操作的平均代价

  假设第 $i$ 次调用减值函数会调用 $c_i$ 次级联切断函数，故 $n$ 次调用一共可能调用 ${\sum }_{i=0}^{n-1}{c}_i$ 次级联切断。

  但是，每一次CUT，都会产生一个根节点，而根节点无法再进行级联切断，故最多只能执行 $n$ 次切断，总代价为 $O(n)$

  因此，n次调用的平摊代价为 $O(n)/n=O(1)$

二、算法设计方法

1、分治法

1.1 基本步骤

• **分解：**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：**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：**将子问题的解组合成原问题的解

1.2 适用条件

原问题可被分解为规模更小的相同问题

1.3 相关算法

• 归并排序
• 最大子数组问题
• 矩阵乘法的Strassen算法

2、动态规划

2.1 基本步骤

• 描述最优解的结构特征
• 递归地定义一个最优解的值
• 自底向上计算一个最优解的值——计算最优解
• 从已知的计算信息中构造一个最优解——构造最优解

2.2 基本要素

• 最优子结构
• 重叠子问题

2.3 相关算法

• 矩阵链乘
• 钢条切割
• 最长公共子序列（LCS）
• 最优二叉搜索树

2.4 如何证明最优子结构性质

利用cut-and-paste技术证明：作为构成原问题最优解的组成部分，每个子问题的解就是它本身的最优解，证明这一点是利用反证法：

假定子问题的解不是其自身的最优解，那么我们可以从原问题的解中”剪切“掉这些非最优解，将最优解”粘贴“进去，进而得到原问题的一个更优解，然而这与最初的解释原问题的最优解的前提假设矛盾。

3 、贪心法

3.1 基本思想

1. 将最优化问题转化为这样的形式：对其做出一次选择后，只剩下一个子问题需要求解
2. 证明做出贪心选择后，原问题总是存在最优解，即贪心选择总是安全的
3. 证明做出贪心选择后，剩余的子问题满足性质：其最优解与贪心选择组合即可得原问题的最优解，这样就得到了最优子结构

3.2 基本要素

• 最优子结构性质
• 贪心选择性质

3.3 相关算法

• 活动选择问题
• 赫夫曼编码

3.4 理论基础 - 胚的定义及相关概念

矩阵胚又称拟阵，是满足下述条件的序偶 $M=(S,\Gamma )$：

1. $S$ 是一个有限集
2. $\Gamma$ 是 $S$ 子集的一个非空族，并且对于任意 $B\in \Gamma$，若 $A\subseteq B$，有 $A\in \Gamma$。此性质称为遗传性
3. 若 $A\in \Gamma ,B\in \Gamma$，且 $|A|<|B|$，则对于 $x\in B-A$，有 A ∪ { x } ∈ Γ A \cup \{x\} \in \Gamma A∪{x}∈Γ。此性质称为交换性

3.5 三种方法的相同及不同点

3.6 贪心选择性质的证明

正常的贪心选择为：选择一个元素，选择的元素为要得到的最优解

非正常的贪心选择为：选择一个元素，剩下的元素为要得到的最优解

三、算法分析

1、渐进符号

1.1 定义

• $\Theta$ 记号（渐近紧确界）
  Θ ( g ( n ) ) = { f ( n ) ; 存 在 正 常 量 c 1 , c 2 和 n 0 , 使 得 对 所 有 的 n > n 0 , 有 0 ≤ c 1 g ( n ) ≤ f ( n ) ≤ c 2 g ( n ) } \Theta(g(n))=\{f(n); 存在正常量c_1,c_2和n_0,使得对所有的n>n_0,有0\leq c_1g(n) \leq f(n) \leq c_2g(n) \} Θ(g(n))={f(n);存在正常量c1​,c2​和n0​,使得对所有的n>n0​,有0≤c1​g(n)≤f(n)≤c2​g(n)}

• $O$ 记号（渐近上界）
  O ( g ( n ) ) = { f ( n ) ; 存 在 正 常 量 c 和 n 0 , 使 得 对 所 有 的 n > n 0 , 有 0 ≤ f ( n ) ≤ c g ( n ) } O(g(n))=\{f(n); 存在正常量c和n_0,使得对所有的n>n_0,有0\leq f(n)\leq cg(n) \} O(g(n))={f(n);存在正常量c和n0​,使得对所有的n>n0​,有0≤f(n)≤cg(n)}

• $\Omega$ 记号（渐进下界）
  Ω ( g ( n ) ) = { f ( n ) : 存 在 正 常 量 c 和 n 0 , 使 得 对 所 有 的 n > n 0 , 有 0 ≤ c g ( n ) ≤ f ( n ) } \Omega(g(n)) = \{f(n):存在正常量c和n_0, 使得对所有的n>n_0,有0\leq cg(n) \leq f(n) \} Ω(g(n))={f(n):存在正常量c和n0​,使得对所有的n>n0​,有0≤cg(n)≤f(n)}

1.2 三个符号间的关系

若 $f(n)=\Omega (g(n))$ 且 $f(n)=O(g(n))$，则有 $f(n)=\Theta (g(n))$

1.3 一些已知量间的渐进关系

1.4 题目

• 假设 $f(n)$ 与 $g(n)$ 都是渐近非负函数，使用 $\Theta$ 记号的基本定义来证明 $max(f(n),g(n))=\Theta (f(n)+g(n))$

  因为 $f(n)$ 与 $g(n)$ 均为渐近非负函数，因此有：$f(n)\ge 0$ 且 $g(n)\ge 0$

  那么有：$0\le \frac{1}{2}(f(n)+g(n))\le max(f(n),g(n))\le f(n)+g(n)$

  即：存在 $c_1=\frac{1}{2},c_2=1,n_0=0$ 使得当 $n\ge n_0$ 时，有：
  $$0\le c_1(f(n)+g(n))\le max(f(n)+g(n))\le c_2(f(n)+g(n))$$
  即：$max(f(n),g(n))=\Theta (f(n)+g(n))$

• 证明：对任意常量 $a$ 和 $b$，其中 $b>0$，有：$(n+a{)}^b=\Theta (n^b)$

  1. 当 $a\ge 0$，$n>|a|$ 时，有：$0\le n^b\le (n+a{)}^b\le (2n{)}^b=2^b{n}^b$
  2. 当 $a<0$，$n\ge |2a|$ 时，有： $0\le 2^{-b}{n}^b=(\frac{1}{2}n{)}^b\le (n+a{)}^b\le n^b$

  综上所述，存在$c_1=2^{-b},c_2=2^b,n\ge |a|$，使得下式成立：
  $$0\le 2^{-b}{n}^b<n^b\le (n+a{)}^b\le n^b\le 2^b{n}^b$$
  即：$(n+a{)}^b=\Theta (n^b)$

2、传统分析方法

2.1 基本思想

通过计算每条语句的执行次数，后累加得到 $T(n)$

2.2 最好最坏情况下的时间复杂度分析

举例：插入排序的时间复杂度分析

3、递归算法的分析方法

3.1 T(n)的一般式

3.2 替换法(代入法)

• 求解步骤

  1. 猜测解的形式
  2. 用数学归纳法求出解中的常数，并证明解是正确的

• 注意

  要做出好的猜测要靠经验，那么这里有一个微妙的细节：

  有时你可能正确猜出了递归式解的渐近界，但莫名其妙的在归纳证明时失败了。问题常常出在归纳假设不够强，无法证出准确的界。当遇到这种障碍时，如果修改猜测，将它减去一个低阶的项，数学证明常常能顺利证明。后面会有题目例证。

3.3 递归树方法

通常可以使用递归树方法来猜测解，再用代入法来证明猜测的正确性

3.4 Master方法

• 针对的问题形式

  $T(n)=aT(n/b)+f(n)$

• 主定理

  令 $a\ge 1$ 和 $b>1$ 是常数，$f(n)$ 是一个函数，$T(n)$ 是定义在非负整数上的递归式：
  $$T(n)=aT(n/b)+f(n)$$
  其中我们将 $n/b$ 解释为 $\lfloor n/b\rfloor$ 或 $\lceil n/b\rceil$。那么 $T(n)$ 有如下渐近界：

  1. 若对某个常数 $\epsilon >0$ 有 $f(n)=O(n^{lo{g}_{b}a-\epsilon })$，则 $T(n)=\Theta (n^{lo{g}_{b}a})$
  2. 若 $f(n)=\Theta (n^{lo{g}_{b}a})$，则 $T(n)=\Theta (n^{lo{g}_{b}a}lgn)$
  3. 若对某个常数 $\epsilon >0$ 有 $f(n)=\Omega (n^{lo{g}_{b}a+\epsilon })$，且对某个常数 $c<1$ 和足够大的 $n$ 有 $af(n/b)\le cf(n)$，则 $T(n)=\Theta (f(n))$

• 注意

  主定理中的三种情况并未覆盖所有情况，在情况一和情况二中是存在间隙的，同样的，在情况二和情况三中也是存在间隙的，如果函数 $f(n)$ 落在这两个间隙中，或者情况3的正则条件不成立，那么就不能使用主方法来求解递归式。

3.5 题目

• 证明：$T(n)=T(n-1)+n$ 的解为 $O(n^2)$

  假设 $T(n)=O(n^2)$，则有：$T(n)\le c{n}^2$，$T(n-1)\le c(n-1{)}^2$
  $$T(n)=T(n-1)+n\le c(n-1{)}^2+n=c{n}^2-(2c-1)n+c$$
  由上式：当 $c\ge 1$，$n\ge 1$时，$-(2c-1)n+c\le 0$ 恒成立，故此时，$T(n)\le c{n}^2$ 恒成立

• 证明：$T(n)=T(\lceil n/2\rceil )+1$ 的解为 $O(lgn)$

  假设 $T(n)=O(lgn)$，则有：$T(n)\le clgn$，$T(\lceil n/2\rceil )\le clg(\lceil n/2\rceil )$
  $$T(n)=T(\lceil n/2\rceil )+1\le clg(\lceil n/2\rceil )+1\le clg(\frac{n+2}{2})+2=clg(n+2)-(c-1)$$
  发现无法证明出来…

  假设 $T(n)\le clg(n-2)$，则有 $T(\lceil n/2\rceil )\le clg(\lceil n/2\rceil -2)\le clg(\frac{n+2}{2}-2)=clg(\frac{n-2}{2})=clg(n-2)-c$
  $$T(n)=T(\lceil n/2\rceil )+1\le clg(n-2)-c+1\le clg(n-2)$$
  在 $n>2$，$c\ge 1$时，上式成立

  即可推出 $T(n)\le clg(n-2)\le clgn$ 在 $n>2$，$c\ge 1$ 时成立，即 $T(n)=O(lgn)$ 在此情况下成立

  当 $n=2$ ，$T(2)=2$

  此时若要满足 $T(n)\le clgn$，则 $T(2)=2\le clg2=c$ 可知 $c\ge 2$

  综上所述，当 $c\ge 2$ 且 $n>=2$ 时，满足$T(n)\le clgn$，即 $T(n)=O(lgn)$

• 我们看到 $T(n)=2T(\lfloor n/2\rfloor )+n$ 的解为 $O(nlgn)$。证明 $\Omega (nlgn)$ 也是这个递归式的解。从而得出结论：解为 $\Theta (nlgn)$

  假设 $T(n)=\Omega (nlgn)\ge cnlgn$，则有 $T(\lfloor n/2\rfloor )\ge c\lfloor n/2\rfloor lg(\lfloor n/2\rfloor )$

  $T(n)=2T(\lfloor n/2\rfloor )+n$

  ​ $\ge 2c\lfloor n/2\rfloor lg(\lfloor n/2\rfloor )+n$

  ​ $\ge cnlg(n/2)+n$

  ​ $\ge cnlgn-cn+n$

  ​ $\ge cnlgn-(c-1)n$

  ​ $\ge cnlgn$

  当 $0<c\le 1$ 时，上式成立，即 $T(n)=\Omega (nlgn)$

  因此，可得该递归式的解为 $T(n)=\Theta (nlgn)$

• 用主方法求 $T(n)=2T(n/4)+1$ 的紧确界

  $a=2,b=4,f(n)=1$

  存在 $\epsilon =\frac{1}{2}$ 使得 $f(n)=1=n^{lo{g}_{b}a-\epsilon }=n^{lo{g}_{4}2-\frac{1}{2}}$，所以$T(n)=\Theta (n^{lo{g}_{b}a})=\Theta (n^{\frac{1}{2}})=\Theta (\sqrt{n})$

• 用主方法求 $T(n)=2T(n/4)+\sqrt{n}$

  $a=2,b=4,f(n)=n^{\frac{1}{2}}$

  $f(n)=n^{\frac{1}{2}}=n^{lo{g}_{b}a}=n^{lo{g}_{4}2}=n^{\frac{1}{2}}$，故 $T(n)=\Theta (n^{lo{g}_{b}a}lgn)=\Theta (\sqrt{n}lgn)$

• 用主方法求 $T(n)=2T(n/4)+n$ 的紧确界

  $a=2,b=4,f(n)=n$

  存在 $\epsilon =\frac{1}{2}$ 使得 $f(n)=n=n^{lo{g}_{b}a+\epsilon }=n^{lo{g}_{4}2+\frac{1}{2}}$

  又：$af(n/b)=2f(n/4)=\frac{n}{2}$

  当 $\frac{1}{2}\le c<1$ 时，对任意 $n\ge 1$ 满足 $af(n/b)=n/2\le cf(n)=cn$

  所以 $T(n)=\Theta (f(n))=\Theta (n)$

• 用主方法求 $T(n)=2T(n/4)+n^2$ 的紧确界

  $a=2,b=4,f(n)=n^2$

  存在 $\epsilon =\frac{3}{2}$ 使得 $f(n)=n^2=n^{lo{g}_{b}a+\epsilon }=n^{lo{g}_{4}2+\frac{3}{2}}$

  又：$af(n/b)=2f(n/4)=\frac{n^2}{8}$

  当 $\frac{1}{8}\le c<1$ 时，对任意 $n\ge 1$ 满足 $af(n/b)=\frac{n^2}{8}\le cf(n)=c{n}^2$

  所以 $T(n)=\Theta (f(n))=\Theta (n^2)$

• 主方法能应用于递归式 $T(n)=4T(n/2)+n^{2}lgn$ 吗？请说明为什么可以或为什么不可以。给出这个递归式的渐近上界

  $a=4,b=2,f(n)=n^{2}lgn$

  有 $n^{lo{g}_{b}a}=n^2$，该式置于情况2与情况3的间隙之中，无法使用主方法来求解

  可用画递归树的方式来求得该式的渐近上界为 $O((nlgn{)}^2)$

  接着可以使用代入法来证明该解的正确性

  假设 $T(n)=O((nlgn{)}^2)$，有 $T(n)\le c(nlgn{)}^2$，$T(\frac{n}{2})=c{n}^2(lgn-1{)}^2$
  $$T(n)\le c{n}^2(lgn-1{)}^2+n^{2}lgn=c(nlgn{)}^2-2c{n}^{2}lgn+c{n}^2+n^{2}lgn=c(nlgn{)}^2-(2c-1)n^{2}lgn+c{n}^2$$
  由于 $n^{2}lgn$ 的增长速率大于 $n^2$，故 当$c>\frac{1}{2}$ 时，必然存在$n_0>0$，使得当$n>n_0$时，$-(2c-1)n^{2}lgn+c{n}^2\le 0$

  即此时 $c(nlgn{)}^2-(2c-1)n^{2}lgn+c{n}^2\le c(nlgn{)}^2$

  故：$T(n)\le c(nlgn{)}^2$

  $T(n)=O((nlgn{)}^2)$ 得证

4、平摊分析方法

4.1 基本思想

求数据结构的一个操作序列中所执行的所有操作的平均时间，来评价操作的代价。摊还分析不同于平均情况分析，它并不涉及概率，它可以保证最坏情况下的每个操作的平均性能。

4.2 合计法（聚合分析）

利用聚合分析，我们证明对所有n，一个n个操作的序列最坏情况下花费的总时间是 $T(n)$。因此，在最坏情况下，每个操作的平均代价，或摊还代价为 $T(n)/n$

4.3 记账法（核算法）

用核算法进行摊还分析时，我们对不同操作赋予不同费用，该费用称为摊还代价。当一个操作的摊还代价超出实际代价时，则将差额存入特定对象，该差额称为信用，对于后续操作中摊还代价小于实际代价的情况时，就可以使用信用来支付差额。

因此，核算法是将一个操作的摊还代价分解为其实际代价和信用。

4.4 势函数方法

假设我们将对一个初始数据结构 $D_0$ 执行 $n$ 个操作。对每个 $i=1,2,...,n$，令 $c_i$ 为第 $i$ 个操作的实际代价，令 $D_i$ 为在数据结构 $D_{i-1}$ 上执行第 $i$ 个操作得到的结果数据结构。势函数 $\Phi$ 将每个数据结构 $D_i$ 映射到一个实数 $\Phi (D_i)$，此值即为关联到数据结构 $D_i$ 的势。第 $i$ 个操作的摊还代价 ${\hat{c}}_i$ 用势函数 $\Phi$ 定义为：
$${\hat{c}}_i=c_i+\Phi (D_i)-\Phi (D_{i-1})$$
那么，总摊还代价为：
$$\sum _{i=1}^n{\hat{c}}_i=\sum _{i=1}^n(c_i+\Phi (D_i)-\Phi (D_{i-1}))=\sum _{i=1}^n{c}_i+\Phi (D_n)-\Phi (D_0)$$

4.5 动态表分析

5、算法正确性分析

5.1 循环不变式(*)

5.2 cut and paste方法

5.3 归纳法

5.4 贪心选择性质

四、最大流

1、流、流网络定义

• 流网络

  流网络 $G=(V,E)$ 是一个有向图，图中的每条边 $(u,v)\in E$ 有一个非负的容量值 $c(u,v)\ge 0$。而且，边集合 $E$ 中若包含一条边 $(u,v)$，则图中不存在反向边 $(v,u)$，（ps: 若存在反向边，可以增加一个节点来消除反平行边）。

  若 $(u,v)\notin E$，则 $c(u,v)=0$，图中不允许自循环。

  $s$ 为源点，$t$ 为汇点

  对于图中任意节点 $v$，存在 $s⇝v⇝t$，并且除源点外的每个节点都至少有一条进入的边，除了汇点外的每个节点都至少有一条出去的边。

• 流

  设 $G=(V,E)$ 是一个流网络，其容量函数为 $c$ 。设 $s$ 为网络中的源点，$t$ 为网络中的汇点。$G$ 中的流是一个实值函数 $f:V\times V\to R$，并满足下列三条性质：

  • **容量限制：**对于所有的$u,v\in V$，有 $f(u,v)\le c(u,v)$

  • **反对称性：**对于所有的$u,v\in V$，有$f(u,v)=-f(v,u)$

  • **流量守恒：**对于所有的 u ∈ V − { s , t } u\in V-\{s,t\} u∈V−{s,t}，有：

  $$\sum _{u\in V}f(u,v)=0$$

  一个流的值 $|f|$ 的定义如下：
  $$|f|=\sum _{v\in V}f(s,v)-\sum _{v\in V}f(v,s)$$

2、Ford-Fulkerson方法

• 残存网络

  假定有一个网络流 $G=(V,E)$，其源点为 $s$，汇点为 $t$ 。设 $f$ 为图 $G$ 中的一个流。考虑节点对 $u,v\in V$，定义残存容量 $c_f(u,v)$ 为：

  $$c_f(u,v)=\{\begin{array}{r}c(u,v)-f(u,v)若(u,v)\in E\\ f(v,u)若(v,u)\in E\\ 0其他\end{array}$$
  给定一个流网络 $G$ 和一个流 $f$，则由 $f$ 所诱导的图 $G$ 的残存网络为 $G_f=(V,E_f)$，其中：
  E f = { ( u , v ) ∈ V × V ： c f > 0 } E_f=\{(u,v)\in V\times V：c_f>0\} Ef​={(u,v)∈V×V：cf​>0}
  在残存网络中将流量推送回去称为抵消操作

• 增广路经

  给定流网络 $G=(V,E)$ 和流 $f$，增广路径 $p$ 是残存网络 $G_f$ 中一条从源节点 $s$，到汇点 $t$ 的一条简单路径。

  对于一条增广路径，我们能为它每条边增大的最大流量为路径 $p$ 的残存容量：
  c f ( p ) = m i n { c f ( u , v ) :    ( u , v )    属 于 路 径    p } c_f(p)=min\{c_f(u,v): \; (u,v) \; 属于路径 \; p\} cf​(p)=min{cf​(u,v):(u,v)属于路径p}

• 流网络的切割

  流网络 $G=(V,E)$ 中的一个切割 $(S,T)$ 将结点集合 $V$ 划分为 $S$ 和 $T=V-S$ 两个集合，使得 $s\in S,t\in T$ 。

• 基本Ford-Fulkerson算法

FORD-FULKERSON(G, s, t)
    for each edge(u, v) in G, E:
		(u, v).f = 0 
    while there exists a path p from s to t in the redidual network Gf:
		c_f(p) = min{c_f(u, v): (u, v) is in p}
		for each edge(u, v) in p:
			if (u, v) in E:
				(u, v).f = (u, v) + c_f(p)
             else (v, u).f = (v, u).f - c_f(p)       

6、相关算法及时间

Ford-Fulkerson算法的运行时间为 $O(E|f^{\ast }|)$，其中 $f^{\ast }$ 为最大流的数量