Hust-软院-《算法结业报告》

《算法设计分析》结课报告
总览
在本学期的算法课程学习中，主要学习了以下内容：
算法的渐进分析 分治策略 随机化算法
统计算法 排序问题 动态规划 贪心算法
图算法：基本图算法，最小生成树，单源最短路径，所有结点对的最短路径问题，以及最大流
通过对以上内容的学习，让我对大二上的数据结构课程内容有了进一步的理解，同时也对算法设计有了更深的体悟。
内容概述
算法：算法可以看成用于求解良说明的计算问题的工具。一般来说，问题陈述了期望的
输入/输出关系，而算法则描述一个特定的计算过程来实现该输入/输出关系。
算法的渐进分析
当输入规模足够大，使得只有运行时间的增长量级有关时，我们要研究算法的渐进效率，也就是说，我们关心当输入规模无限增加时，在极限中，算法的运行时间如何随着输入规模的变大而增加 。对于算法的渐进分析，我们有以下渐进记号：
Θ:Θ(g(n))={f(n):存在正整数c1,c2和n0,使得对于所有的n≥n0，有0≤c1g(n)≤f(n)≤c2g(n)}，这里的Θ(g(n))是一个集合，g(n)是f(n)的一个渐进紧确界。
Ο: Ο(g(n))={f(n):存在正整数c和n0,使得对于所有的n≥n0，有0)≤f(n)≤cg(n)}，此时只有一个渐进上界g(n),我们用这个记号来描述上界，那么可以用它来描述最差运行时间，关于算法在每个输入上的运行时间，我们也有一个界，例如，运行时间为O(n²)，意思是存在一个O(n²)的函数f(n)，对于n的所有值，不管选择什么特定规模的规模为n的输入，其运行时间的上界都是f(n),也就是说最坏情况运行时间为f(n)。
Ω：与O相对，这个符号提供了渐进下界，Ω(g(n))={f(n):存在正整数c和n0,使得对于所有的n≥n0，有0)≤cg(n)≤f(n)},不管选择什么规模为n的输入，只要n足够大，对那个输入的运行时间至少为g(n)的常量倍
ω：ω(g(n))={f(n):对任意正常量c和n0,使得对于所有的n≥n0，有0)≤cg(n)<f(n)}
ο:由o提供的上界是非渐进紧确的，o(g(n))={f(n):对任意正常量c和n0,使得对于所有的n≥n0，有0)≤f(n)<cg(n)},当n趋于无穷时，f(n)相对于g(n)来说微不足道。

分治策略

在分治策略中，我们递归的求解每一个问题，例如归并排序，在每层递归中用到三个步骤：
分解(Divide):将问题划分为一些子问题，子问题的形式与原问题相同，只是规模更小
解决(Conquer)：递归地求解出子问题，如果子问题规模足够小，那么就停止递归，直接求解问题
合并(Combine)：将子问题的解组合成原问题的解
当子问题足够大，需要递归求解时，我们称之为递归情况，当子问题足够小时，不再需要递归，则进入了基本情况，有时除了与原问题形式完全一样但是规模更小的子问题外，还需要求解与原问题不完全一样的子问题，将这些子问题的求解看成合并的一部分。
递归式
递归式与分治方法紧密相关，因为使用递归式可以很清晰地描述分治算法的运行时间
例如归并排序的递归式T(n)={█(Θ(1),n=1@2T(n/2)+Θ(n),n>1)┤,可以求解得T(n)= Θ(nlgn)。
求解递归式方法有三种：
*代入法
步骤：猜测解的形式 用数学归纳法求出解的形式，并且证明解是正确的
通常证明递归式较宽松的上界和下界，然后缩小不确定的范围。但是代入法只能证明某一O（x）是不是上界，但是不一定为紧确界。并且当我们用归纳法证明一个上界的时候，是为了证明一个更弱的上界，而我们能用的只有一个同样很弱的上界，因此非常困难。
证明的过程中，如果改变一个变量，可以把递归式变成熟悉的形式，例如，T(n)=2T(√(n))+lgn,令m=lgn，T(2^m)=2T(2m/2)+m,令S(m)= 2T(m/2)+m,则S(m)=O(mlgm)，T(n)=T(2^m)=S(m)=O(lgnlglgn)
*递归树法
递归式：T(n)=3T(n/4)+Θ(n^2)
递归树：
因为子问题的规模每一步减少为上一步的1/4，那么最终必然会达到边界条件，根结点与规模为1的子问题的距离为log4n,深度为i的每个结点代价为c(i/4)^{2,深度为i的所有结}