《算法图解》学习笔记

本文记录学习《算法图解》过程中的一些知识点，作为个人笔记。

 

《算法图解》个人笔记

第一章：算法简介

0. 算法复杂度指的是随着输入size的操作数的增速，而非秒。

第二章：选择排序

0. python中数组的存储是顺序的，访问方便，支持随机访问，插入删除麻烦；链表是非顺序的，插入删除方便，访问不方便。

第三章：递归

0. 递归：基线条件（边界）+递归条件

1. 栈与递归

第四章：分治

0. 归并排序的复杂度为O（n*logn），快排的平均复杂度为O（n*logn）。为何工程上通常采用快排。

答：快排常数项小。

1. 归并排序相比插入/选择/冒泡快的原因：mearge过程组内不重复计算。

第五章：散列表/哈希表/字典

0. 数组的读取速度为O（1），哈希表的查找速度为O（1）；哈希表利用了数组的结构。

创建哈希表：a=dict() or a={}。

1. 列表查找速度为O（n），哈希表为O（1）。
2. 缓存：网站将数据以哈希表的形式存储，使用查找的方法避免重复计算。

1. 哈希表的冲突

当两个变量的哈希映射结果相同时，产生冲突。以哈希表+链表的形式解决冲突；选择好的哈希函数至关重要。

1. 哈希表的填装因子。

 

填装因子大于1意味着商品数量超过了数组的位置数。一旦填装因子开始增大，你就需要在散列表中添加位置，这被称为调整长度（ resizing） 。填装因子越低，发生冲突的可能性越小，散列表的性能越高。一个不错的经验规则是：一旦填装因子大于0.7，就调整散列表的长度。

第六章：广度优先搜索（最小路径）

0. 构图（节点和边，哈希表构图）与编程实现。

散列表让你能够将键映射到值。在这里，你要将节点映射到其所有邻居

 

构图顺序不重要。

1. 有向图与无向图。无向图代表关系是双向的。

2. 宽度优先搜索图，其实就是按层搜索二叉树。采用队列的形式，维护两个变量last和now记录当前层是否遍历完毕。

注意，如果存在双向图（导致循环），需要维护已遍历的数组，防止重复遍历导致死循环。完整代码如下：

第七章：狄克斯特拉算法（Dijkstra’s algorithm，加权图中最短路径）（从当前花费最小进行遍历，用哈希表维护从开始到每个节点的最小花费及其父节点）

0.

1. 加权图最小路径实现的初始化：

首先需要用哈希表构建原始的加权图：

 

注意，这里采用二维嵌套哈希表，即字典中每个键值里也是字典。

第二步：维护从起点到各个节点最小cost，同样以哈希表形式表示。初始化为从start开始。

 

第三步，维护到每个节点最小花费的父节点，方便最后还原路径。

 

至此，完成初始化。

1. 加权图最小路径实现：

 

1. 小结

 

第八章：贪婪算法（近似解）

NP完全问题：没有快速解法的问题

第九章：动态规划

0. 背包问题：

和挖金矿一样，将背包的重量进行分割。最小商品重量是1，随意按照1为最小单位来划分。该表格（dp[行][列]）按行填充值。dp[i][j]代表当前可以购买0-i行的商品组合，在j kg时获取的最大收益。每种动态规划解决方案都涉及网格。

动态规划的传递函数：按照当前行商品买或不买分两类取max。

1. 最长公共子序列/子串

 

 

第十章 K近邻算法（KNN）

用法：

0. 分类，k个邻居的投票发

1. 推荐，k个邻居的喜好推荐

2. 回顾预测，k个邻居求均值

第十一章 接下来该如何做

1. 二分法的树结构：二叉查找树，相比于有序数组，二叉查找树的插入和删除操作复杂度都是O（log（n））

1. 并行计算：通过Hadoop 进行MapReduce分布式计算系统（一种编程模型）

MapReduce包括map映射和reduce归并。

Map：

Reduce：