python算法思维笔记(2)

分治的基本概念

在右边的数字三角形中寻找一条从顶部到底边的路径，使得路径上所经过的数字之和最大，路径上的每一步都只能往左下或右下走，只需求出最大的和，不需要给出具体路径。
对于n层的数字，一共有2n-1条不同的路径。
直接用循环来求出每条路径的和是非常困难的，这里我们用分治策略来解决这个问题。

最优化问题与最优解

数字三角形问题是个典型的最优化问题。
最优化问题指的是，问题可以有多个解，每个解有一个值，我们希望找到最优的那个值，称为一个最优解（最优解可能有多个）
数字三角形问题中，从上往下有很多不同的路径，这些不同的路径就是不同的解，其中路径上的数字和最大的解，就是我们要寻找的最优解。

分治=分解+解决+合并

分治策略的核心是：

1. 将大的问题分解为形式相同的更小的子问题，子问题继续分解为更小的子问题… 一直分解下去，直到问题小到可以直接求解（自顶向下分解
2. 直接解决最小的问题
3. 最小问题求解后的结果依次进行合并，解决较大的问题，一直进行下去，直到解决原问题（自底向上合并）

（二分法也是一种分治，是一种尽量将问题分为规模相同的2个子问题的分治）

分解

以7为顶点(顶点为第0行第0列)的三角形问题，记为f(0,0)），可分解成2个较小的问题：

1. 以3为顶点(顶点为第1行第0列)的问题，记为f(1,0)
2. 以8为顶点(顶点为第1行第1列)的问题，记为f(1,1)

可知， f(0,0) = 7 + max(f(1,0), f(1,1) )，这是个分解动作，即：一个三角形问题=该问题顶点的数字+下面两个子问题的解的较大者

f(1,0)和f(1,1)如何求解？当然是继续分解
f(1,0) = 3+max( f(2,0), f(2,1) )
f(1,1) = 8+max( f(2,1), f(2,2) )

因此f(0,0) = 7+max( 3+max( f(2,0), f(2,1) ), 8+max( f(2,1), f(2,2) ) )
一直分解下去，直到f(4,x)，x为列号；由于是最后一层，可知f(4,x)=A[4][x]

解决

层数大于等于2的问题都无法直接求出结果，需要继续分解，直到层数为1
考察原问题左下角的层数为2的问题的分解
f(3,0)=2+max(f(4,0), f(4,1))=2+max(A[4][0],A[4][1])= 2+5 = 7

合并

最小子问题求解之后，根据规则组合成上一层的子问题的解，一直进行下去，可以将原问题的解求出。

右上角的小数字表示以大数字为顶点的子问题的解，都是用大数字加上左下角的小数字和右下角小数字中的较大者，例如:
f(0,0)=7+max(f(1,0),f(1,1))=7+max(23,21)=30

用递归实现分治

什么是递归

有两种实现分治的方法：递归（自顶向下）、递推（自底向上）

什么是递归
函数调用自身的操作

def Factorial(n):
    if n==1:return 1  #最小子问题，递归的出口
    else: return n*Factorial(n-1) #递归调用
print(Factorial(10))

一定要为递归函数设计出口，否则会陷入死循环，最后会导致栈溢出

阶乘问题

用分治策略完成n的阶乘。

1. 分解方法：n! = n * (n-1)!
2. 统一表达式：f(i) 是i的阶乘
3. 最小子问题：f(1) = 1

用递归函数表达分治策略：
f(n) = n*f(n-1)
f(1) = 1
分治是思想，递归是实现分治的手段之一

掌握正确的问题拆解方法: n! = n * (n-1)! --> f(n) = n*f(n-1)
掌握用函数统一表达子问题的方法:f(i) 是i的阶乘
为原问题定义最小子问题:f(1) = 1

用递归解决三角形问题

设计数据结构来存储三角形数据,最简单直观的方式，是使用嵌套的列表

A = [ [7], [3,8], [8,1,0], [2,7,4,4], [4,5,2,6,5] ]

对A中任一数字A[i][j]，其左下角的数为A[i+1][j]，右下角的数为A[i+1][j+1]
用正确的函数来统一描述原问题和子