第一课时:
第二课时:
第三课时:
Insertion sort(插入排序):
def insertion_sort(list):
if len(list) <= 1:
return list
for i in range(1, len(list)):
temp = list[i]
j = i-1
while j >= 0 and temp < list[j]:
list[j+1] = list[j]
j -= 1
list[j+1] = temp
return list
分析算法:
running time(运行时间影响因素):输入(输入有序时间就会少很多,输入逆序是插入排序最差的情况),输入规模(待排序数列的大小),运行时间上界。
- Waste-case(usually)(最坏情况):T(n) = 定义为输入规模为n时的最长运行时间。
- Average-case(平均情况):T(n) = 定义为所有情况下的期望运行时间(有假设前提)
- Best-case(cheat)(最好情况):T( n) = 定义为最好情况下的运行时间
- Big idea of algorithms: 不关心算法的实际运行时间,而是关注运行时间的增长程度。
Merge sort(归并排序):
def merge_sort(list):
if len(list) <= 1:
return list
n = len(list)
for i in range(n):
Tips:从n到1的折半次数是lgn。
渐进符号,递归和解法
渐进符号:
- O符号(渐进符号):O(g(n)) = {f(n): 存在正常量c和n0,使得对所有n>=n0,有0<=f(n)<=cg(n)。f(n) = O(g(n)), 只要满足0<=f(n)<=c*g(n),仅仅要求g(n)的某个常量倍数是f(n)的渐进上界,而不要求它是一个多么紧确的上界。
- Ω符号: Ω(g(n)) = {f(n): 存在正常量c和n0,使得对所有n>=n0,有0<=cg(n)<=f(n)。f(n) = Ω(g(n))。渐进下界
符号:Ω(g(n)) = {f(n): 存在正常量c1,c2和n0,使得对所有n>=n0,有0<=c1g(n)<=f(n)<=c2g(n)。渐进紧确界
- o符号:和大O类似,主要区别在于o定义中是对于所有正常量c成立,而大O是存在正常量c成立。
符号:和Ω类似,区别在于
是对所有正常量c成立。
解递归式:
- 代入法: (1)猜测解形式;(2)用数学归纳法求出解中的常数,并证明解是正确的。
- 递归树?: (可以使用递归树解递归式,然后用代入法进行验证)
- 主方法:只能应用到特定的递归式上T(n);f(n)渐进趋正(means存在某特定n0,当n>=n0时,f(n)>=0); 用递归树证明主方法。
tips:
第三课时:算法设计
Divide-and-Conquer——分治法:
- divide;将一个问题分解为若干个子问题
- conquer;递归的解决每个子问题
- combine.将子问题的解结合成大问题的解
example:
主方法求解时间复杂度。
归并排序:主方法求解归并排序的时间复杂度。
二分查找:T(n) = lgn
乘方问题:x的n次幂。
斐波那契数: 斐波那契数列由如下递推关系式定义: F(0)=0, F(1)=1, n>1时,F(n)=F(n-1)+F(n-2)
- 递归法,时间复杂度高Time:
- 迭代法,Time:
- 朴素递归式:自定向向下求解问题,导致了大量的重复求解,nlgn,实际由于浮点数什么的在现实条件下不能实现?没听懂?有没有大佬解释一下下
- 平方递归
- 矩阵乘法,
矩阵乘法的strassen算法:
绕过乘法,