算法

算法部分：

1.贪心算法：

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。
贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。

  例如在删除数的一个例子中，一个长度不大于240位的整数中，随机删除N个数，要求使得剩余的数：
从左到右的，组成一个最小的整数
 贪心步骤：
例如 一个数： 1457326      N=4
1).找到当前最大的数： 7 删除；145326
2).找到当前最大的数： 6 删除；14532
3).找到当前最大的数： 5 删除；1432
4).找到当前最大的数： 4 删除；132


对于最优子结构：贪心算法也具有最优解；例如每一步中的 7 6  5 4 就是最优解
01 背包：贪心算法的思路
有N个物品 ，总总量为W，每件物品重量Wi;
每个东西拿或者不拿
贪心算法的整体思路：
对于第J个物品，如果去掉物品J，剩余的N-1个物品，要拿走总量最多为W-Wj，且价值最高的

如果再拿掉i件，要从剩余N-2中。拿走总总量最多为W-Wj-Wi，且价值最高的

依次类推。。。。。


部分背包问题： 贪心算法解决的思路：
有N个物品，背包总总量为W，每件物品的重量为Wi
每件东西，可以拿一个，可以拿一部分
贪心算法的整体思路:
对于第J个 物品，如果要掉物品 J的重量 Wp,要从剩下的N-1件物品中，
和物品J的 Wj - Wp中可带走的，总重量为 W-Wp价值最大的（去掉J物品中的一部分，J物品剩余部分还可以拿）
做法：
通过一个价格/重量 式子
对每一件物品进行排序，在满足背包容量的前提下，按照从大到小的顺序放入背包中，直至背包容量=W

2.递归与回溯

递归：

递归过程是借助于一个递归工作栈来实现的。

问题向一极推进，这一过程叫做递推； 问题逐一解决，最后回到原问题，这一过程， 叫做回归。
递归的过程正是由递推和回归两个过程组成。

递归 算法的出发点不放在初始条件上，放在求解的目标上，从所求的未知项出发逐次调用本身的求解过程，直到递归的边界（即初始条件）。

搜索：

搜索的本质就是逐步试探，在试探过程中找到问题的

回溯：

回溯法也是搜索算法中的一种控制策略 ， 但与枚举法不同的是 ， 它是从初始状态出发 ， 运用题目给出的条件 、 规则 ， 按照深度优秀搜索的顺序扩展所有可能情况 ， 从
中找出满足题意要求的解答 。 回溯法是求解特殊型计数题或较复杂的枚举题中使用频率最高的一种算法。 。
procedure run（当前状态）；
var i：integer；
begin
if 当前状态为边界 then

begin
if 当前状态为最佳目标状态 then 记下最优结果；
exit；{回溯}
end；
for i←算符最小值 to 算符最大值 do
begin
算符i作用于当前状态，扩展出一个子状态；
if (子状态满足约束条件)and(子状态满足最优性要求)then run(子状态)
end；
end；

在应用回溯法求所有路径的算法框架解题时 ， 应考虑如下几个重要因素：
⑴ 定义状态： 即如何描述问题求解过程中每一步的状况 。 为了精简程序 ，
增加可读性 ， 我们一般将参与子结点扩展运算的变量组合成当前状态列入
值参 ， 以便回溯时能恢复递归前的状态 ， 重新计算下一条路径；
⑵ 边界条件： 即在什么情况下程序不再递归下去 。 如果是求满足某个特定
条件的一条最佳路径 ， 则当前状态到达边界时并非一定意味着此时就是最
佳目标状态 。 因此还须增加判别最优目标状态的条件；
⑶ 搜索范围： 在当前状态不满足边界条件的情况下 ， 应如何设计算符值的
范围 。 换句话说 ， 如何设定for 语句中循环变量的初值和终值。 。
⑷ 约束条件和最优性要求： 当前扩展出一个子结点后应满足什么条件方可
继续递归下去；如果是求满足某个特定条件的一条最佳路径 ， 那么在扩展
出某个子状态后是否继续递归搜索下去 ， 不仅取决于子状态是否满足约束
条件 ， 而且还取决于子状态是否满足最优性要求。 。
⑸ 参与递归运算的参数： 将参与递归运算的参数设为递归子程序的值参或
局部变量 。 若这些参数的存储量大 （ 例如数组 ） 且初始值需由主程序传入 ，
为避免内存溢出 ， 则必须将其设为全局变量 ， 且回溯前需恢复其递归前的
值。

3.动态规划：

动态规划的基本思想：
动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有
许多可行解。每一个解都对应于一个值，我们希望找到具有最优值的解。动态规划算法与
分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从
这些子问题的解得到原问题的解。与分治法不同的是，适合于用动态规划求解的问题，经
分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数
目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而
在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用
一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算
过，就将其结果填入表中。这就是动态规划法的基本思路。具体的动态规划算法多种多
样，但它们具有相同的填表格式。
二、设计动态规划法的步骤：
1、找出最优解的性质，并刻画其结构特征；
2、递归地定义最优值（写出动态规划方程）；
3、以自底向上的方式计算出最优值；
4、根据计算最优值时得到的信息，构造一个最优解。
步骤 1-3 是动态规划算法的基本步骤。在只需要求出最优值的情形，步骤 4 可以省略，步
骤 3 中记录的信息也较少；若需要求出问题的一个最优解，则必须执行步骤 4，步骤 3 中
记录的信息必须足够多以便构造最优解。
三、动态规划问题的特征：
动态规划算法的有效性依赖于问题本身所具有的两个重要性质：最优子结构性质和子问题
重叠性质。
1、最优子结构：当问题的最优解包含了其子问题的最优解时，称该问题具有最优子结构性
质。
2、重叠子问题：在用递归算法自顶向下解问题时，每次产生的子问题并不总是新问题，有
些子问题被反复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子
问题只解一次，而后将其解保存在一个表格中，在以后尽可能多地利用这些子问题的解。

动态规划问题中的术语
阶段：把所给求解问题的过程恰当地分成若干个相互联系的阶段，以便于求解，过程不
同，阶段数就可能不同．描述阶段的变量称为阶段变量。在多数情况下，阶段变量是离散
的，用 k 表示。此外，也有阶段变量是连续的情形。如果过程可以在任何时刻作出决策，
且在任意两个不同的时刻之间允许有无穷多个决策时，阶段变量就是连续的。
在前面的例子中，第一个阶段就是点 A，而第二个阶段就是点 A 到点 B，第三个阶段是点 B
到点 C，而第四个阶段是点 C 到点 D。
状态：状态表示每个阶段开始面临的自然状况或客观条件，它不以人们的主观意志为转
移，也称为不可控因素。在上面的例子中状态就是某阶段的出发位置，它既是该阶段某路
的起点，同时又是前一阶段某支路的终点。
在前面的例子中，第一个阶段有一个状态即 A，而第二个阶段有两个状态 B1 和 B2，第三个
阶段是三个状态 C1，C2 和 C3，而第四个阶段又是一个状态 D。
过程的状态通常可以用一个或一组数来描述，称为状态变量。一般，状态是离散的，但有
时为了方便也将状态取成连续的。当然，在现实生活中，由于变量形式的限制，所有的状
态都是离散的，但从分析的观点，有时将状态作为连续的处理将会有很大的好处。此外，
状态可以有多个分量(多维情形)，因而用向量来代表；而且在每个阶段的状态维数可以不
同。
当过程按所有可能不同的方式发展时，过程各段的状态变量将在某一确定的范围内取值。
状态变量取值的集合称为状态集合。
无后效性：我们要求状态具有下面的性质：如果给定某一阶段的状态，则在这一阶段以后
过程的发展不受这阶段以前各段状态的影响，所有各阶段都确定时，整个过程也就确定
了。换句话说，过程的每一次实现可以用一个状态序列表示，在前面的例子中每阶段的状
态是该线路的始点，确定了这些点的序列，整个线路也就完全确定。从某一阶段以后的线
路开始，当这段的始点给定时，不受以前线路（所通过的点）的影响。状态的这个性质意
味着过程的历史只能通过当前的状态去影响它的未来的发展，这个性质称为无后效性。
决策：一个阶段的状态给定以后，从该状态演变到下一阶段某个状态的一种选择（行动）
称为决策。在最优控制中，也称为控制。在许多间题中，决策可以自然而然地表示为一个
数或一组数。不同的决策对应着不同的数值。描述决策的变量称决策变量，因状态满足无
后效性，故在每个阶段选择决策时只需考虑当前的状态而无须考虑过程的历史。
决策变量的范围称为允许决策集合。
策略：由每个阶段的决策组成的序列称为策略。对于每一个实际的多阶段决策过程，可供
选取的策略有一定的范围限制，这个范围称为允许策略集合。允许策略集合中达到最优效
果的策略称为最优策略。
给定 k 阶段状态变量 x(k)的值后，如果这一阶段的决策变量一经确定，第 k+1 阶段的状态
变量 x(k+1)也就完全确定，即 x(k+1)的值随 x(k)和第 k 阶段的决策 u(k)的值变化而变
化，那么可以把这一关系看成(x(k)，u(k))与 x(k+1)确定的对应关系，用
x(k+1)=Tk(x(k),u(k))表示。这是从 k 阶段到 k+1 阶段的状态转移规律，称为状态转移方
程。
最优性原理:作为整个过程的最优策略，它满足：相对前面决策所形成的状态而言，余下的
子策略必然构成“最优子策略”。
最优性原理:实际上是要求问题的最优策略的子策略也是最优。让我们通过对前面的例子再
分析来具体说明这一点：从 A 到 D，我们知道，最短路径是 AàB1àC2àD，这些点的选择构成
了这个例子的最优策略，根据最优性原理，这个策略的每个子策略应是最优：AàB1àC2 是 A
到 C2 的最短路径，B1àC2àD 也是 B1 到 D 的最短路径……──事实正是如此，因此我们认
为这个例子满足最优性原理的要求。