qq_45760401的博客

/* 用 r 来表示根节点搜索二叉树 用 small 来表示查找的平均概率 */#include <iostream>using namespace std;struct Node{ double small; int r;};int main(){ /* 对角线为本身概率 由于是搜索树，左下角矩阵为 0 p[i][j] = min(k=i-j) 平均概率和 + 本身 状态转移方程 pn = min(k = i - j) p[i][k -

#include <iostream>#include <vector>using namespace std;struct Node{ int small; int r;};// 打印加括号方式 void get(Node ** target, int i, int j, vector<char>& a){ if(i == j) { a.push_back('A'); a.push_back('0' + i); retu

给定两个字符串，求解两个字符串的最长子序列（不是最长子串） 如果采用暴力解法的话，对于两个长分别为 m、n 的字符串来说，各有 2 ^ n 个子串如果需要两两比较的话，会有 2 ^ (m + n) 次比较，每一次比较中又会有很多的工作量，所以，不可取 采用DP的方法： 对于两个串 *****a *****b 如果 a 和 b 相等，那么就可以将问题转化为求前面的最长子序列然后拼接上最 后的a，如果 a 和 b 不等，那么就可以将其中一个去掉，求剩下两个串的最长 子序列，于

动态规划什么时候用呢？类似于这种 可以发现，当计算 f(n) 的时候，需要用到 f(n 2 1)，当计算 f(n - 1) 的时候，还是需要用到 f(n - 2)，这样，一个子问题就要计算 k 次，显然增加了时间复杂度，这种时候就需要用到动态规划了，将所有的子问题都用一个数组记录下来，避免重复计算，可以说，动态规划的精髓就在于数组记录状态和状态转移方程。DP：1、分析子问题的依赖关系（子问题：重叠） 2、采用自底向上的方法依次求解 3、从最小规模求解，一直到最大子问题 注：子问题不管

这个问题就是求无序数组中的第K小的问题方法一：直接冒泡K次，第一次得到第一小的，第K次得到第K小的方法二：对数组进行预排序方法三：二分快查方法四：分组二分快查注：这里的代码只经过自己构造的数据检验，如果有误，敬请谅解！！！方法一：直接冒泡K次 对于这个算法，可以发现，当数组规模为 n 时，如果要求的是第 1 小或者是第 n 小（第1大）那么问题相对来说会简单一点，因为只要进行一次冒泡就行了，但是当求第 n / 2 的问题时，相对而言工作量会是最大的，而对于第 k 小，如果第 n - k

对于快速排序，有原地分区算法和双指针算法，这里采用的是原地分区算法，两种算法略有不同，但是其核心思想都是一样的，将小于的放到左边，大于的放到右边。 原地分区算法：每一次维护一个中轴，这个中轴左边的是比目标值小的，右边的是比目标值大的，每一次只要将小于的移动到中轴左边，并将中轴++，最后得到的就是目标序列了 双指针法：双指针法用两个指针指向数组的头和尾，将头部的值保存起来，然后从后面开始，找到第一个小于头值的元素，替换头指针指向的元素，这时尾指针所在位置就会 “空缺” 出一个位置，这时移动.

一、矩阵乘法 传统的矩阵乘法是按照矩阵乘法的公式来做，现在我们试着用分治的思想来做，先将原来的矩阵分成大小相等的四份，如图所以，新得到的矩阵应该是这个样子所以对于矩阵分开的乘法，时间复杂度应该是这样的（只计算乘法）所以，可以得到 T(n) = 8 * T(n / 2) = — = 8 ^ i * T(n / (2 ^ i))当 i = log n 时，T(n) = n ^log(8) = n ^ 3所以 T(n) = O(n ^ 3)二、归并排序void merge(int * a

一、普遍意义上的递归二、斐波那契数列的三变量低估四、记忆递归

归并排序的思想主要在于 “分” 和 “治”，如何将一个大问题分成若干小问题，如何对于每个小问题继续“分而治之”，最终由得到的若干小问题的解归并得到最终的答案 从上面的描述你会发现，分治策略可以写成一个递归函数，那么分治策略到底好不好呢？我们以找最大值来说 当找一组数据的最大值的时候，用传统的比较方式，先设立一个最大值，然后通过遍历来找到这个最大值，这样比较一共要比较 n - 1 次，而如果采用分治的策略，我不去一个一个的比较，而是先将样本分成若干部分，从每一个部分得到最大值，然后再对这一组最.

一、非递归程序（往往以迭代为基础）(1) 确定哪些参数作为输入量的规模(2) 找出算法的基本操作（主要操作）（作为规律，往往位于最内层循环）(3) 检查基本操作的执行次数是否只依赖于输入规模，若不是，考虑最坏，最好，平均(4) 建立一个基本操作执行次数的求和公式(5) 利用求和公式建立闭合公式 或者 至少决定他的增长次数1、求和公式：类似于 n + (n - 1) + --- + 2 + 1 闭合公式：类似于 n(n + 1) / 2二、递归程序...

这片文章主要是对概念的阐述记录算法：解决问题的方法，是一种解决问题的清晰的指令，即：对某个问题，在一定规模的输入，在有限的时间之内， 获得符合要求的输出算法特点: 1、有 >= 0 个输入 2、有 >= 1 个输出 3、算法指令清晰，无歧义 4、算法中的每条指令的执行次数和时间都是有限的程序：算法的语言实现，可以是死循环，而算法必须是清晰的、有限的，所以算法不能是死循环算法表示： 1、自然语言（汉字描述） 2、计算机语言：c++, c, java --- 3、类

思考：lim(x->∞)(f(x) / g(x)) = α, 当 α 取值不同的时候，会有什么情况发生呢？ 结论： α = c (常数) => f(x) = θ(g(x)) 或者 g(x) = θ(f(x)) α = 0 => f(x) = o(g(x)) α = ∞ => g(x) = o(f(x)) 证明： α = c 时： 所有 ε > 0, 存在 N, 当 n > N 时 有 |f(x) / g(x) - .

一：大O记号 含义：o(g(n)) △= {f(x)| 存在c>0, n0 >= 0,当n >= n0时， 有 f(x) <= c * g(x)} 例子：1) 2 * n ^ 2 = O(n ^ 2)2) n ^ 3 / 1000 != O(n ^ 2) 证明： 假设相等，则存在 c > 0, n0 > 0, 当 n > n0 时，有 n * n * n / 1000 = c * n * n 则有： n < 1000 * c