《趣学算法算法 思路汇总》

算法的好坏标准 

• 正确性：满足问题的需求，运行正常，无语法错误， 
  通过软件测试。
• 易读性：简洁易懂，注释语句恰当适量。
• 健壮性：算法对非法数据及操作有较好的反应和处理。
• 高效性：算法运行效率高，即算法运行所消耗的时间短。
• 低存储性：低存储性是指算法所需要的存储空间低。
• 六字总结：高效率 低存储

第二章 贪心算法

一个贪心算法总是做出当前最好的选择，也就是说，它期望通过局部最优选择 

从而得到全局最优的解决方案。 

—《算法导论》 
- 贪心算法求解两个重要的特性 
（1）贪心选择 每一步都作出当前的最佳(何为最佳，策略不同，情况不同)选择 仅依赖于之前作出的选择 
（2）最优子结构 问题的最优解包含其子问题的最优解 
- 贪心算法秘籍 
（1）贪心策略 选择当前看上去最好的一个方案 如最大的 最值钱的 最重的 
（2）局部最优解 根据贪心策略，一步一步地得到局部最优解 
（3）全局最优解 所有的局部最优解合成为原来问题的一个最优解 
- 如何定义最优子结构 
        分解问题模型 缩小问题的规模 
        最优解子问题的分解结构和堆叠方式 
        分解结构：每一步都在前一步的基础上选择当前最好的解(钱币找零问题) 
        堆叠结构：分解成相对独立的几个子问题，最后进行合并(某种公式计算法则) 
- 贪心算法的缺陷 
         贪婪法每一步选择完之后，局部最优解就确定 
        不再进行回溯，之前选择不再修改，直到算法结束 
        贪心只有极少情况可以得到最优解 
         通常得到的是近似最优解，但是简单高效 
        省去了为找最优解可能需要的穷举操作 
- 贪心算法的典型应用 

        最优装载问题        背包问题        会议安排问题

第三章 分治法

• 分治，顾名思义，分而治之。 
  

  大问题分解成一系列规模较小的相同问题，然后逐个解决小问题，即所谓的分而治之。分治法产生的子问题与原始问题相同，只是规模减小。

• 分治法求解的三个条件 
  （1）原问题可分解为若干个规模较小的相同子问题。 分治 
  （2）子问题相互独立。单个问题的解不会影响到下个问题。 
  （3）子问题的解可以合并为原问题的解。 归并
• 分治算法秘籍 
  （1）分解：将要解决的问题分解为若干个规模较小、相互独立、与原问题形式相同的子问题，确保各个子问题的解具有相同的子结构 
  （2）治理：求解各个子问题。由于各个子问题与原问题形式相同，只是规模较小而， 
  而当子问题划分得足够小时，就可以用较简单的方法解决。 问题可以解决，直接解决，否则继续用相同的规则接着分解。 
  （3）合并：按原问题的要求，将子问题的解逐层合并构成原问题的解。 
  分治法的实现模式可以是递归方式，也可以是非递归方式，

• 应用分治法的目的 
  （1）通过分解问题，使无法着手解决的大问题变成容易解决的小问题 
  （2）通过减小问题的规模，降低解决问题的复杂度（或计算量）

• 递归和分治联系 
  问题的分解肯定不是一步到位的，反复调用，层层分解，自然导致了递归的调用。 
  分治法得到的子问题和原问题是相同的，当然可以用相同的函数来解决 
  区别只在于问题的规模和范围不同，可以通过参数来控制范围 
  递归同时也可以该用循环的方式，特别是尾递归(此部分后续会有单独的分析)

• 分治算法的典型应用 
          二分搜索技术     合并排序    快速排序  

第四章 动态规划

动态规划解决复杂问题的思路也是对问题进行分解，通过求解小规模的子问题再反推出原问题的结果。动态规划也是把原问题分解为若干子问题，然后自底向上，先求解最小的子问题，把结果存储在表格中，再求解大的子问题时， 直接从表格中查询小的子问题的解， 避免重复计算， 从而提高算法效率。 

- 动态规划求解两个特性 
（1）最优子结构 问题的最优解包含其子问题的最优解 
（2）子问题重叠 有大量的子问题是重复的，记录结果，避免重复运算 

（3）无后向性 决策仅受之前决策的影响,不影响之后各阶段的决策 

- 动态规划秘籍 
（1）分析最优解的结构特征。 
（2）建立最优值的递归式。(也可以称为决策策略) 
（3）自底向上计算最优值，并记录。 

（4）构造最优解。 

- 如何建立最优值的递推式 
（1）定义最优子问题 确定问题的优化目标 
（2）定义状态 决策的结果(状态) 最终的结果(状态)就是最终解 
（3）定义决策和状态转换方程 状态递增的表达式(不一定是数学表达式) 
（4）确定边界条件 实际上就是递归终结条件，无需额外的计算

分析原问题最优解和子问题最优解的关系。考查有多少种选择。得到最优解递归式。  
以上的理解请不要陷入细节，更多的理解请从实际的案例中体会。问题的重复求解是动态规划提升的关键。

• 动态规划的典型应用 
          青蛙上台阶问题 
          棋盘格跳马问题

• 最长公共子序列     最大的子数组之和    编辑距离    游艇租赁  矩阵连乘      0-1背包问题

第五章 回溯法

回溯法是一种选优搜索法，按照选优条件深度优先搜索，以达到目标。当搜索到某一步 
时，发现原先选择并不是最优或达不到目标，就退回一步重新选择，这种走不通就退回再走 
的技术称为回溯法 
回溯法是一种“ 能进则进，进不了则换，换不了则退”的搜索方法。 
- 回溯法的算法要素 
首先要确定解的形式，定义问题的解空间 
解空间：顾名思义，就是由所有可能解组成的空间。解空间越小，搜索效率越高。 
一个问题的解空间通常由很多可能解组成，一定的组织结构搜索最优解， 
如果把这种组织结构用树形象地表达出来，就是解空间树。 
 
隐约束指对能否得到问题的可行解或最优解做出的约束。如果不满足隐约束， 
就说明得不到问题的可行解或最优解，那就没必要再沿着该结点的分支进行搜索了， 
相当于把这个分支剪掉了 
显约束可以控制解空间大小，隐约束是在搜索解空间过程中判定可行解或最优解的。 
- 回溯法解题秘籍 
（1）定义解空间 确定解空间包括解的组织形式和显约束(范围限定) 
（2）确定解空间的组织结构 通常用解空间树形象的表达(只是辅助理解并不是真的树) 
（3）搜索解空间 按照深度优先搜索，根据限制条件，搜索问题的解 

- 回溯法的典型应用 

      0-1背包问题      最大团（护卫队） n皇后问题     地图m着色问题     最优加工顺序问题