本文链接：https://blog.csdn.net/m0_46051819/article/details/134906364

模块1课程链接：Algorithmic Toolbox | Coursera

案例1：斐波拉契数列

简单算法

原理

运行时间

当n变大时，T(n)会变得非常巨大

原因是设计到大量的重复运算（红色部分）：

改进算法

原理

简单来说就是把“从后往前算”改进成“从前往后算”，就可以大大的减少重复运算

代码

def get_fib_number(n):
    if n == 0:
        return 0
    elif n == 1:
        return 1
    else:
        prev = [0,1]
        for i in range(n-1):
            cur = prev[0] + prev[1]
            prev[0] = prev[1]
            prev[1] = cur
        return cur

案例2：寻找最大公约数

简单算法：遍历

虽然可以解决问题，但是不够高效

改进算法：辗转相除法

原理

如果GCD是a和b的公约数，那么他一定也是(a-b)的约数

代码

a，b辗转相除取余数，直至某一方为0，剩下的就是最大公约数

def get_GCD(a,b):
    if a>b:
        temp = a
        a = b
        b = temp
    
    while a != 0:
        temp = a
        a = b % a
        b = temp
        
    return b

大O表示法

由案例1和2可以看出，运行时间是在优化算法的工程中的一个重要因素，但由于复杂的现实情况，准确的运行时间是不可计算的。但好处在于一些琐碎的因素可以被排除在考虑范围之外，于是在这里通过引入大O表示法（Big O Notation）来估算某一个算法的大致运行时间。

常见函数的增长率

红框内的内容是需要记忆的

计算大O表示法

定义

简单来说，大O表示法f(n)=O(g(n))中的f(n)是g(n)的等阶无穷大或者是同阶无穷大。

计算规则1：当g(n)表达成乘积的形式时，忽略常数项

计算规则2：当 g(n)表达成和的形式时，忽略增长较慢的项

这里参考前文：常见函数增长率中红框内的结论

这里可以搭配课堂Quiz食用，巩固以下Big O的用法

Week3 - 贪婪算法

贪婪算法 Greedy Algirithm

定义

贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。

贪婪算法解决问题的步骤

1. 列出当前的所有选择

2. 找到当前的最优解（Safe Choice），这个部分需要论证：为什么是最优/最安全？

3. 做出选择后，原本的问题变成一个更小的子问题

4. 对于子问题，回到步骤1，继续寻找当前最优解，直至问题解决

案例 - 找零问题

目标

现在需要用1元，5元，10元的零钱找零n元，请问我最少能用几枚硬币完成找零？

思路

1. 列出所有解：第一块硬币可以是1元，5元，10元

2. 找出当前最优解：找n元以内的最大面值硬币X (X=1或5或10)

3. 子问题：现在需要用1元，5元，10元的零钱找零（n-X）元，请问最少能用几枚硬币完成找零？

4. 继续用贪婪算法：找（n-X）元以内的最大面值硬币X (X=1或5或10)，直至完成找零

（注意：这是贪婪算法的一个经典案例，但贪婪算法旨在寻找局部最优，并不能保证整体最优。事实证明这个算法有时会得出错误结论，在后续的Dynamic Programming 算法中会详细讲解）

代码

def money_change(total):
    change = 0
    coins = [10,5,1]
    for i in range(len(coins)):
        if total/coins[i] > 0:
            change += int(total/coins[i])
            total = total %  coins[i]
    return change