1、比较分治法和动态规划的异同点
1. 主要共同点:
二者都是将原问题分解成若干个规模较小的子问题(小到很容易解决)，然后将子问题的解合并，形成原问题的解。2. 主要区别:
① 分治法将分解后的子问题看成相互独立的。
② 动态规划将分解后的子问题理解为相互间有联系，有重叠部分。动态规划划分的子问题是有优先的。
例如：问题p划分为子问题p1，p2，p3，... ，pn
p1为边界，解决p2必须先解决p1，解决p3必须先解决p2，依次类推，直到解决pn，一般解决子问题pn即能解决p。
3. 分治法与动态规划实现方法:
① 分治法通常利用递归求解。（例：归并排序,快速排序,一般用树结构）
② 动态规划通常利用迭代法自底向上求解。（例：最短路径,最优二叉搜索树）
分治法P16 动态规划P204
分治法的思想：将原问题分解为几个规模较小但类似于原问题的子问题，递归地求解这些子问题，然后再合并这些子问题的解 来建立原问题的解。
分治模式在每层递归时都有三个步骤：
- 分解原问题为若干子问题，这些子问题是原问题的规模较小的实例。
- 解决这些子问题，递归地求解各子问题。(若子问题的规模足够小则直接求解)
- 合并这些子问题的解成为原问题的解。
分治模式举例：归并排序算法：分解+解决+合并。
①分解待排序的n个元素的序列，成为各具n/2个元素的两个子序列。
②解决：使用归并排序递归的排序两个子序列。
③合并两个已排序的子序列以产生最终答案。【当待排序的序列长度为1时，因为长度为1的每个序列都已排好序，此时递归“开始回升”。】
归并排序算法的关键操作是两个已排序序列的合并。通过调用一个辅助过程Merge(A,p,q,r)来合并两个已排好序的子数组A[p,q]和A[q+1,r]。过程Merge需要时间Θ(n)——每次只比较顶上的两个元素，每个基本步骤需要常量时间，最多执行n个基本步骤，所以合并时间Θ(n)。
分治方法将问题划分为互不相交的子问题，递归地求解子问题，再将它们的解组合起来，求出原问题的解。与分治法相反，
动态规划（dynamic programming）：应用于子问题重叠的情况，即不同的子问题具有公共的子子问题(子问题的求解是递归进行的，将其划分为更小的子子问题)，通过组合子问题来求解原问题。
动态规划算法对每个子子问题只求解一次，将其解保存在一个表格中，从而无需每次求解一个子子问题都要重新计算。动态规划通常用来求解最优化问题。注意：最优化问题可能有多个解都达到最优值。
设计一个动态规划算法的步骤：
- 刻画一个最优解的结构特征；
- 递归地定义最优解的值；
- 计算最优解的值，通常采用自底向上的方法；
- 利用计算出的信息构造一个最优解（按照要求，可有可无）；
适合用动态规划方法求解的问题应该具备的两个关键特征：最优子结构+子问题重叠。
性质一、最优子结构：一个问题的最优解包含其子问题的最优解【原理：使用动态规划方法时，我们用子问题的最优解来构造原问题的最优解】
性质二、子问题重叠：递归算法反复求解相同的子问题【区别于分治法：在每次递归都生成全新的子问题】
动态规划方法举例：
【最优钢条切割】如何将长钢条切割成短钢条，使得总价值最高。
【矩阵链乘法】如何用最少的标量乘法完成一个矩阵链相乘的算法。
【最长公共子序列】找到两个序列的最长公共子序列。
【最优二叉搜索树】在已知关键字分布的前提下，如何构造一课最优二叉搜索树。
贪心算法
P237
对于许多最优化问题，使用动态规划算法来求最优解有些杀鸡用牛刀了，可以使用更简单高效的贪心算法。
贪心算法：在每一步都作出当时看来最好的选择，寄希望这样的选择能导致全局最优解。(算法得到的是在某种意义上的局部最优解。)贪心算法并不能保证得到最优解，但对很多问题确实可以得到最优解，关键是贪心策略的选择。
贪心算法一般按照如下步骤进行：
- 建立数学模型来描述问题
- 把求解的问题分成若干个子问题
- 对每个子问题求解，得到子问题的局部最优解
- 把子问题的解局部最优解合成原来问题的一个解
贪心算法例子：
最小生成树(Prim算法、Kruskal算法)
单源最短路径的Dijstra算法
集合覆盖问题的贪心算法
2、递归和非递归的优缺点
递归：
| 优点 | 缺点 |
|---|---|
| 可读性好，代码简洁 | 所需空间大，可能会出现子问题的重复计算，递归太深时容易栈溢出 |
非递归(迭代)：
| 优点 | 缺点 |
|---|---|
| 效率高，无额外空间开销 | 代码不如递归简洁，编写复杂问题时不容易理解 |
通俗地说，递归就是将问题层层细化、分解为多个小问题，然后一一解决。在很多情况下，只要有数学公式的支持，递归算法通常很容易解决问题。
大数乘法
所谓大数相乘（Multiplication algorithm），就是指数字比较大，相乘的结果超出了基本类型的表示范围，所以这样的数不能够直接做乘法运算。
eg求 1234567891011121314151617181920 * 2019181716151413121110987654321 的乘积结果。
目前大数乘法算法主要有以下几种思路：
模拟小学乘法：最简单的乘法竖式手算的累加型（思路虽然很简单，但是实现起来却很麻烦）
分治乘法：最简单的是Karatsuba乘法（递归乘法，把输入拆分成 2 部分）
快速傅里叶变换FFT：时间复杂度O(N lgN lglgN)
中国剩余定理：把每个数分解到一些互素的模上，然后每个同余方程对应乘
【算法】大数乘法问题及其高效算法_Mlib的博客-CSDN博客
如何在有向图中计算强连通分量？
有向图的强连通分量 ：在有向图G中，如果两个顶点vi,vj间（vi>vj）有一条从vi到vj的有向路径，同时还有一条从vj到vi的有向路径，则称两个顶点“强连通”。如果有向图G的每两个顶点都强连通，称G是一个强连通图。有向图的极大强连通子图，称为强连通分量。
有向图中的强连通性是一种顶点之间平等关系，有着以下性质：
自反性： 任意顶点和自己都是强连通的
对称性：如果v和w是强连通的，那么w和v也是强连通的
传递性：如果v和w是强连通的且如果w和x也是强连通的，那么v和x也是强连通的
如上图可以分为5个强连通分量。 一个含有V个顶点的有向图可能有1~V个强连通分量；一个强连通图只含一个强连通分量；而一个有向无环图中含有V个强连通分量。
【求强连通分量】
- Kosaraju算法：O(N+M)
- Tarjan算法：O(N+M)
- Gabow算法
AVL平衡二叉查找树的建立、删除操作，证明删除一个结点的时间复杂度。
增加和删除可能需要通过一次或多次树旋转来重新平衡这个树。
公司盈利问题，计算极大子组，分三种方法：暴力算法、分治法、动态规划
时间复杂度的符号表示(渐进符号)
算法导论：时间复杂度+渐进符号_zwy2022的博客-CSDN博客
选择排序，插入排序，快速排序，归并排序，堆排序
In-place
假如问题规模是n，在解决问题过程中，只开辟了常数量的空间，与问题规模n无关，这是原址操作，就是In-place。
Out-place
如果开辟的辅助空间与问题规模n有关，则是out-place。
假设你把排序时把数组中的数按顺序放入了一个新的数组，我就开了一个n规模大小的数组，这个就与问题规模n有关。
关键字记忆法：
冒泡排序【从后往前，两两比较，小的浮到最前面】
选择排序【每次从待排序序列中，选择最小/最大，放到已排序列的尾部】
插入排序【每次都取待排序列的，第一个元素，往前插到已排序列的合适位置】
希尔排序【优先比较距离较远的元素，按一定增量分组，不断缩小增量】
归并排序【分治法，自下而上递归】【将两个有序表合并成一个有序表，称为2-路归并】
快速排序【每次取一个基准/枢轴进行分区，小—基准—大。分治法，一串分成两串……】
【算法实现：填坑，每次先把基准的位置拿出来当作坑。两个指针L和R，R先左移，适当元素拿去填坑，然后坑位转移。L右移，适当元素拿去填坑，然后坑位转移……当L=R时停止移动，共同指向的坑用来填基准】4分钟动画-秒懂快速排序
堆排序【无序序列先拆分成单个单个的元素，按顺序排成一棵完全二叉树。从倒数第一个非叶子结点开始，从后往前进行调整<堆的有序化>】
【堆的插入：在数组末尾插，再自下而上进行堆有序化】
【堆的删除：删的是堆顶元素，但并不是直接删先。交换根结点与最后一个叶子结点的位置，然后再删除最后一个结点，再自上而下进行堆有序化】
选择排序时间复杂度稳定：O()
归并排序时间复杂度稳定：O()
堆排序时间复杂度稳定：O()
NPC问题
算法4类问题：P问题、NP问题、NP完全问题、NP难问题_zwy2022的博客-CSDN博客
堆的向下调整算法、堆的向上调整算法、堆的基本功能实现
堆的向下调整算法、堆的向上调整算法、堆的基本功能实现_zwy2022的博客-CSDN博客
字符串模式匹配
数据结构 第四章 字符串_zwy2022的博客-CSDN博客
什么是循环队列
将顺序队列臆造成一个环状的空间，即把存储队列元素的表从逻辑上视为一个环，称为循环队列。
- 初始时<队空>：front=rear
- 出队入队时，指针都按顺时针方向进1。出队--队首指针进1：front=(front+1)%Size。入队--队尾指针进1：rear=(rear+1)%Size。
- 队列中元素个数：(rear -front +Size)%Size
- 为了区分队空还是队满，有三种处理方式。1）牺牲一个单元来区分。队满条件：(rear +1)%Size=front。队空条件：仍为front=rear。
850
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
