第一章 算法与数据结构

1.2 基本算法

在进行算法分析的时候，要着重考虑算法的时间复杂度，选择最优算法

1.2.1 枚举算法

枚举算法核心思想：在很多时候，无法立刻得出某个问题的可行解或者最优解，但是可以用一种比较“笨”的方法通过列举所有情况然后逐一判断得到的结果。
缺点：浪费时间、有可能漏掉某些情况
作用：枚举是一种理想的辅助算法，在毫无头绪的情况下，枚举为我们打开一个缺口，让其他算法得以成功。
练习
离散函数——不会
有一个离散函数，定义在集合{1，2，3…，N}，取值在-2³²…2³²。请找出函数图像上两个点，使得函数在这两点之间的点都在两点连线的下方，且此连线的斜率尽量大。N≤10000.（注：时间复杂度为O(n²)的算法容易想到，那么O(n)算法呢？）

1.2.2 贪心法

每次选择当前最优策略

概述：每次选择一个局部最优策略进行实施，而不去考虑对今后的影响。一般来说，它的时间复杂度比较低，算法实现页比较容易，但是很多题目贪心法并不能得到最优解。即使可以，也比较难证明解的最优性。
例子

• 最优装载问题
  单一元素
• 部分背包问题
  多种元素单一限制
• 乘船问题
  多种元素多种限制
• 区间覆盖问题

两个调度问题
流水作业调度
有n个作业要在两台机器M₁和M₂组成的流水线上完成加工。每个作业i都必须先花时间a_i在M₁上加工，然后花时间b_i在M₂上加工。确定n个作业的加工顺序，使得从作业1在机器M₁上加工开始到作业n在机器M₂上加工为止总时间最少。
Johnson算法
设N₁为a < b的作业集合，N2 为a ≥ b的作业集合，将N1中的作业按照a非减序排序，N₂中的作业按照b非增序排序，则N₁作业接N₂作业构成最优顺序。
显然算法的核心只是一个排序过程，时间复杂度为O(nlogn)，关键在于它的正确性证明。
带限期和罚款的单位时间任务调度
有n个单位时间任务，每个任务需要单位长度时间。第i个任务的限期是d_i，超时罚款为f_i，给n个任务排序使得所有未按时完成的任务罚款总和尽量小。
矩阵胚(matroid)
给定非空有限集S，I是S的一类具有遗传性质的独立子集族（即空集属于I，且对于I里的任意元素B，B的任意子集也属于I）。我们把I中的元素称为独立子集。如果I满足交换性质（即对于I的任意两个元素A和B，若|A| < |B|，一定可以找到一个元素x ∈ B − A，使得A ∪ {x}仍然是独立集），称有序对(S,I)为矩阵胚，或称拟阵。
对于独立集A，如果存在x使得A∪{x}仍是独立集，称x为A的可扩展元素。没有可扩展元素的独立集A称为极大独立集。
定理1：矩阵胚的所有极大独立集具有相同的基数。
最大权独立子集问题 给S的每个元素x赋予正权W(x) > 0，独立集的权被定义为其中所有元素的权和。求加权矩阵胚中权最大的独立子集。
贪心算法
从空集开始（权为0），每次选择权最大的可扩展元素加入独立集中，直到不存在可扩展元素为止，此时得到的独立集一定是权最大独立子集。
应用
应用一：Huffman编码

练习
喷水装置——不懂
有一块草坪，长为l，宽为w，在它的中心线上不同位置处装有n（n≤10000）个点状的喷水装置。每个喷水装置i的喷水效果会让以它为中心半径为r_i的圆被润湿。请选择尽量少的喷水装置，把整个草坪全部润湿。

1.2.3 递归与分治

分治是递归的典型应用

递归法概述：递归法把问题转化为规模更小的子问题解决。递归法思路清晰，编程简单，但有时候难以想到。如果确定了用递归法解题，思考的重点应该放到建立原问题和子问题之间的联系。有的问题有很明显的递归结构，但是需要仔细思考，才能正确的转化为结构相同的子问题。
分治法使用递归的思考方式，遵守以下方法：
划分（divide）：把问题划分为若干子问题
求解（conquer）：递归求解子问题
合并（combine）：把子问题的解合并成原问题的解
其中第二个步骤需要递归调用，而划分子问题和合并子问题的解需要仔细设计算法。
注意：尽量减少递归的调用，尤其不要进行重复的计算
典型事例

• 棋盘覆盖问题
• 循环日程表问题
• 巨人与鬼

三个经典的分治算法

• 最大值与最小值
• 有序表查找问题
• 快速幂

1.2.4 递推法

有一类试题，每相邻两项数之间的变化有一定的规律性，我们可将这种规律归纳成如下简捷的递推关系式：$F_n=g(F_{n-1})$
所谓倒推法，就是在不知初始值的情况下，经某种递推关系而获知问题的解或目标，再倒过来，推知它的初始条件，因为这类问题的运算过程是一一映射的，故可分析得其递推公式。然后再从这个解或目标出发，采用倒推手段，一步步地倒推到这个问题的初始陈述。
一般的分析思路：

if 求解初始条件 F~1~
	then begin{ 倒推 }
	由题意（或递推关系）确定最终结果F~n~；
	求出倒推关系式F~i-1~=g'(F~i~);
		i=n；{从最终结果F~n~出发进行倒推}
		while 当前结果F~i~非初始值F~1~ do由F~i-1~=g(F~i~）倒推前项；
		输出倒推结果F~1~，和倒推过程；
		end{then}
else begin{顺推}
	由题意（或递推关系）确定初始值F~1~（边界条件）；
	求出顺推关系式F~i~=g(F~i-1~)；
	i=1；{由边界条件F~1~，出发进行顺推}
	whie 当前结果F~i~，非最终结果F~n~ do由F~i~=g(F~i-1~）顺推后项；
	输出顺推结果F~n~，和顺推过程；
	end；{else}  

1.2.5 动态规划 dynamic programming

动态规划的思想源于递归，是一种问题转化策略。
Fibonacci sequence（合并状态）

基本思想：建立子问题的描述，建立状态间的转移关系，使用递推或记忆化搜索法来实。
动态规划要点：
1、状态定义：用问题的某些特征参数描述一个子问题
2、状态转移方程：即状态值之间的递推关系。这个方程通常需要考虑两个部分：一是递推的顺序；而是递推的边界（也是递推的起点）。
注意：**重叠子问题(overlapping subproblem)**是动态规划展示威力的关键。

---

一般的计算方法

将问题转化为一个个子问题，根据总结出的固有表达式，实现子问题（subproblem）的解决思路相同。
前提：问题解决的思路，总结出表达式
方法一：递归计算
缺点：时间效率太低，原因为重复计算
方法二：递推计算
即从最小的问题开始计算，往前递推，直到顶部。
优点：减少重复计算
方法三：记忆化搜索
使用一个visited数组作为当前结点是否被访问的记录，被访问后直接调用结果。
根据题目情况设置数组初始化的值