之前也在看算法相关的书、在被称为黑书的《算法导论》里看过关于动态规划的讲解 只是当时研究不深、最近突来兴趣对动态规划做了个小的总结、所以就分享下 不足之处多多指正、 先对动态规划做一个简单的介绍吧： 动态规划(dynamic programming)是运筹学的一个分支，是求解决策过程(decision process)最优化的数学方法。20世纪50年代初美国数 学家R

深度优先------> 栈。 广度优先------->队列。

你会经常看到网上出现“这怎么做，这不是NP问题吗”、“这个只有搜了，这已经被证明是NP问题了”之类的话。你要知道，大多数人此时所说的NP问题其实都是指的NPC问题。他们没有搞清楚NP问题和NPC问题的概念。NP问题并不是那种“只有搜才行”的问题，NPC问题才是。好，行了，基本上这个误解已经被澄清了。下面的内容都是在讲什么是P问题，什么是NP问题，什么是NPC问题，你如果不是很感兴趣就可以不看了。接

long start,stop; time(&start);/**//*记录开始时间*/fun1();time(&stop);/**//*记录结束时间*/cout"共花时间："int(stop-start))"\n";

问题描述：         现要求产生 0~n-1 范围内的 m 个随机整数的有序列表，且不允许重复，m         考虑到 n 的值可能很大，而通常 C/C++ 提供的随机数产生器所能返回的随机数在 [0,RAND_MAX]，其中，RAND_MAX 为 0x7FFF。也就是说只有 15 位的随机性。因此，我们需要要有自己的随机数产生器，以便能够返回更多位数的随机数，通常为 30 位。下

对于排序问题，想必大家都非常熟悉。而且，应该都知道基于比较的排序方法的时间复杂度的下界是 O(n*logn)。尽管又出现了基数排序，使得排序类算法的时间复杂度改进到 O(d*n)，但是基数排序方法实现起来还是比较麻烦的。下面这种排序方法的时间复杂度可以认为是 O(n)，但是和基数排序方法相比，它的实现非常简单。        为了介绍这种方法，需要对输入数据作如下假定：(1)都是非负整数，(2)

前言 插入，快速，合并，堆排序等基于比较的排序算法的最坏情况下界为Ω(nlogn)，最坏情况下都要进行Ω(nlogn)次比较。假设有一n个元素组成的数组（假设每个元素都不相等），那么一共有n!排列组合，而且这n!排列组合结果都应该在决策树的叶子节点上（如图1），在图1中n = 3，所以有3! = 6种组合全都在决策树的叶子节点，对于高度为h的二叉树，叶子节点的个数最多为2h (当为满二叉树时为

前言 快速排序的平均情况下是O(nlogn)，但是一般都比其他运行时间为O(nlogn)的算法都要快，因为它隐藏的常数因子比较小，但是在最坏情况之下，快速排序的运行时间是O(n2)。 快速排序过程 快速排序采用的思想是分治思想，就像合并排序算法的思想一样，合并排序算法是从数组的中间开始分治，直到分为N个分组，最后分别合并N个分组的解。如下图，有原始数组A = {1, 3, 4, 5, 7,

前言 记得在学习数据结构的时候一味的想用代码实现算法，重视的是写出来的代码有一个正确的输入，然后有一个正确的输出，那么就很满足了。从网上看了许多的代码，看了之后貌似懂了，自己写完之后也正确了，但是不久之后就忘了，因为大脑在回忆的时候，只依稀记得代码中的部分，那么的模糊，根本不能再次写出正确的代码，也许在第一次写的时候是因为参考了别人的代码，看过之后大脑可以进行短暂的高清晰记忆，于是欺骗了我，以为

这两天看了看最大子序列问题，顺便的做一下笔记，最大子序列问题相信大家都再熟悉不过了，来回顾一下问题： 给定整数（可能有负数），求的最大值（为方便起见，如果所有整数均为负数，则最大子序列和为 0 ）。 下面来看三种实现方法： 1，使用两层 for 循环，算法复杂度显然是 O(N²)： ? intMaxSubSequ

初衷： 最近在看算法相关的东西，看到贪心法解决mst的问题，可惜树上讲解的不是很清新，到网上找了很多资料讲解的也不透彻 只是随便带过就草草了事、这几天抽空看了下，总算基本思路理清楚了 主要还是得感谢强大的google，帮我找到一个很好的英文资料。（下面有链接，有兴趣的同学可以看看） 理顺了思路，就和大家分享下~希望对学习贪心法的同学会有所帮助。   这篇博客的主

初衷 这个学期开了算法课，要几个关键算法思想的代码实现。当时感觉学的还可以了，也做了认真的笔记。真正写代码的时候发现还是 没有完全掌握。网上关于这方面的资料也零零散散不是很全，致使走了不少弯路。今晚上实验成功验收了，感觉自己也收获不小 遂决定把算法实现的详细思路记录下来，一是自己坐下总结、另外也希望给当时想我一样找资料、搞算法的同学一些帮助。 这中间我会尽最大可能的把问题描

对于理论性比较强的学科、自己看书就可以没问题了、多看几遍也能理解了，比如说计算机网络这门课程 然而有的东西并不是多看几遍就能掌握的，如果自学的话就需要一些能让自己入门的实例， 从简单到稍微复杂、弄清楚了后也就能逐步掌握 不说废话、先来一个简单的例子吧： longest path in DAG Problem:  Given a weighted directed a

图是一种常见的数据结构，深度优先和广度优先搜索都是常用的算法，这篇博文先介绍深度优先搜索。 和往常一样的，我会用朴实的语言来介绍它，所以只要认真看一定能理解。开始会先介绍下图的表示方法，如果已经掌握了大可跳过。 图的表示 要表示一个图G(V,E)有两种常见的表示方法，邻接矩阵和邻接表。这两种方法可用于有向图和无向图。对于稀疏图，常用邻接表表示， 它占用的空间|E|要小于|V

小知识点积累 int max3 (int a,int b,int c) {     return  (((a>b)? a:b)>c)? ((a>b)? a:b):c; }

请使用代码计算： 1234567891011121314151617181920*2019181716151413121110987654321   #include iostream>#include algorithm>#include stdio.h>#include string.h>using namespace std;#define MAX_DIGIT 500//大数运算

1 #include stdio.h> 2 3 int visit(int i , int j); 4 5 int maze[7][7] = { 6 {2,2,2,2,2,2,2}, 7 {2,0,0,0,0,0,2}, 8 {2,0,2,0,2,0,2}, 9 {2,0,0,2,0,2,2},10 {2,2,0,

前言 背包问题是一个经典的算法问题，可以用动态规划，贪心法，分支界限法等方法解决 问题描述：有n个物品，编号1,2,3，、、n，其中第 i 个物品重量为Wi 价值 Vi ，有一个容量为W的背包。 在容量允许范围内，如何选择物品，可以得到最大的价值。（为了简单起见，假设物品的重量 Wi 和价值Vi 都是正数）   根据取物品的方式，背包问题又可以被分为三类：

图论中的dijkstra算法用最简单的话说就是：使用优先队列实现的广度优先搜索。 广度优先搜索是利用分叉树的形式，一层一层的对节点进行搜索，利用这种方法来找最短路径是完全行得通的，先搜索出所有的路径，然后通过比较得到最短的那一条路径。 但是效率呢？ 似乎有些差。 那么怎么改进呢？ 回忆广度优先：1 从起始点开始。2 找出所有路径解 3 通过比较这些路径长度，找出最短的那一条。 问题在哪