算法图解

《算法图解》各章学习

1、算法简介

二分法

二分查找法，用于有序元素列表，以一半为界分开，确定元素在哪一部分，继续前述操作。速度最快，包含n个元素时为 $ \log_2 n$

大O表示法

用于表示算法的速度，O()。真正的速度需要乘以时间常数c，一般分析时不考虑。

---

2、选择排序

数组

数组在内存中储存的信息是连在一起的，方便读取操作。

链表

链表的信息在内存中是无序的，下一个内存地址由上一个内存中的信息给出，方便插入和删除操作。

选择排序

不断遍历整个无序列表，将元素有序排列出来，速度为O(n×n)或O(n²)
(大O表示法省略常数)

---

3、递归

递归：自己调用自己的函数。
递归函数条件：基线条件和递归条件，递归条件指的是函数调用自己，而基线条件则指的是函数不再调用自己（例如设置调用次数），从而避免形成无限循环。

栈（stack）

调用栈有压入和弹出两个操作，都只操作最上面的内存块，而不是压入底部的内存。所有函数调用都进入调用栈。
递归时函数不断将同名不同参考值的函数压入调用栈，使用时弹出。因此调用栈可能很长，这将占用大量的内存。

---

4、快速排序

D&C算法思想：找出简单的基线条件，)确定如何缩小问题的规模，使其符合基线条件。
因此处理列表时基线条件很可能是空数组或只包含一个元素的数组。

快速排序

方法：首先在数组中选择一个元素作为基准值。接下来，找出比基准值小的元素以及比基准值大的元素各自分为两个子数组。对子数组进行基准值→子数组的递归，直到子数组中只剩1个或没有元素停止（基线条件）。最后左边的数组 + 基准值 + 右边的数组合并为排序结果。
算法速度：实现快速排序时，随机地选择用作基准值的元素。快速排序的平均运行时间为$O(n\log n)$，也是最佳情况下的时间，最坏情况（取到了数组中最大或最小的基准值）运行时间是O（n²）。

---

5、散列表

散列函数

数据的存储位置和它的关键字之间建立一个确定的对应关系f，使每个关键字和结构中一个唯一的存储位置相对应，因此散列函数可以直接确定元素的储存位置。

散列表(hash table)

使用散列函数和数组创建了一种被称为散列表 (hash table)的数据结构。Python提供的散列表实现为字典 ，使用函数dict()来创建散列表。
用途：除了快速查找数据以外，还可以用于映射关系，缓存数据（例如，在Web服务器上），防止重复等。
冲突：在散列表中，不同的关键字值对应到同一个存储位置的现象。
处理方法：(1)在冲突的位置储存一个链表，极端情况链表很长造成散列表的速度很慢。(2)降低填装因子，使每个关键字都有自己的储存位置，一旦填装因子超过0.7，就该加长散列表的长度。(3)良好的散列函数让数组中的值呈均匀分布。
性能：散列表的查找、插入、删除在理想情况下均为常量时间O(1).在冲突很多的情况下，速度变慢，最差情况性能变化为线性时间O(n)。

---

6、广度优先搜索

图

图由节点和边组成。使用图来创建问题模型，使用广度优先搜索解决问题。
广度优先搜索可回答两类问题，从节点A出发，有前往节点B的路径吗；从节点A出发，前往节点B的哪条路径最短。

队列

队列类似于栈，你不能随机地访问队列中的元素。队列是一种先进先出 （First In First Out，FIFO）的数据结构，而栈是一种后进先出的数据结构。队列只支持两种操作：入队和出队 。
在Python中，可使用函数deque()来创建一个双端队列。

广度优先搜索算法

(1)建立图模型，在这里，要将节点映射到其所有邻居，如graph["you"] = ["alice", "bob", "claire"]以此类推；
(2)创建队列，将所有一度关系对象加入队列，取出队列的第一个元素并检查，符合要求结束，不符合则将这个节点的一度关系对象加入队列；
(3)继续按顺序检查队列（否则找到的就不是最短路径），直到队列为空或找到需要搜索的对象。检查队列时同时将检查过的对象放入数组中，防止二次检查浪费时间。

def search(name):
  search_queue = deque()
  search_queue += graph[name]
  searched = [] ←-------------------