分治算法
分治 divide and conquer
要点:
子问题与原问题性质一样,且可以独立求解。
-----------------------
分治算法的复杂度分析:递推方程;
常见递推方程的结论(看了这一部分可以不看主定理了):一类是每次减1,2,3这样子的,像那个什么什么塔;
一类是倍数的减少,n/2,n/3这样子,例如快排
对于后者:方程为:
d(n) = C:
a = 1 ------> logn
a!=1 ------>
d(n) = cn:
a=b -> nlogn
a>b ->
a n
----------------------------------------
一些超级经典的例子:芯片测试
快速排序(关键是划分这一步Partition(A,p,r))
冪乘问题
(真要写清楚,可以一天不干活了T^T)
1 芯片测试:
问题描述:给定n个芯片,(1)好芯片比坏芯片至少多一片;(2)两个芯片可以互相测出对方的好坏,好芯片可以测准,坏芯片不一定测准。从中选出一片好芯片。
思路分析:
(1)角度一:随机选一片芯片,与其他芯片比较:当芯片总数是偶数:好芯片数目大于等于 n/2+1 , 如果选中的芯片是好芯片,剩下的超过一半( n/2) 报好(结果一) ,如果选中的芯片是坏芯片,超过一半的报坏(结果二);结果不是一半(及以上)报好就是一半(及以上)报坏,因此可以检测出选中的单芯片的好坏;
如果选中的芯片是奇数:好芯片数目大于等于 (n+1)/2 ,如果选中的是好芯片,剩下的至少芯片一半报好;如果选中的是坏芯片,超过一半报坏;结果不是一半(及以上)报好就是一半(及以上)报坏,因此可以检测出选中的单芯片的好坏;
仔细想一想,由于好芯片比坏芯片多,抽出一片好芯片,剩下的至少还有一半好芯片,根据他们测定的结果,可以得出判断;抽出一片坏芯片,那剩下的好芯片就更多了,也可以得出判断。
因此,采取蛮力算法:随机选一片,判断其好坏,如果是坏的,重复进行;最坏的情况是每一片都与其他片比较一遍,需要 O(n^2) 。
(2)角度二:随机的两片比较有四种可能:
A片 B片
B好 A好 要么都好,要么都坏
B好 A坏 至少坏一片
B坏 A好 至少坏一片
B坏 A坏 至少坏一片
每种情况考虑四种情形:AB都好、 AB都坏 、一片好一片坏
第一种情况:设AB都好吻合,设AB都坏吻合,一片好一片坏矛盾,所以要么都好,要么都坏;
第二种情况:AB都好矛盾,AB都坏吻合,A坏B好吻合,A好B坏矛盾,所以至少坏一片;
其他两种情况同理,也是至少坏一片;
----------
如果我们给芯片随便两两配对测量(先假设芯片数是偶数),都报好的任选一片,其他情况的全不选,从而选出新子集,如果新子集还满足原来集合的性质,就可以逐步缩小筛选的范围,不用一片一片去比。这时满足表达式 W(n) = W(n/2) + O(n) ,可以看出这个就是典型的分治算法——寻找相同的子问题,将原来的大问题分解后递归求解。复杂度为:W(n) =O(n)
新子集还满足原来集合的性质?
原来集合的性质:好芯片比坏芯片多;由于选取的芯片组有两种类型:都是好的,都是坏的,可以知道好的芯片组的数目多于坏的芯片组的数目,因此子集中好芯片还是比坏芯片多,因此满足条件。
那如果芯片数目是奇数怎么办?
当遇到芯片数目是奇数时,将轮空的(未分到组的)芯片采取角度一方法判断,好的话,结束程序,坏的话就丢弃该芯片。
----------------------------
下面是伪码表示的算法:
n
while n > 3 then:
将 n 分为 n/2(默认向下取整) 组
if n是奇数 then:
轮空的芯片检测其好坏,好的话结束程序,坏的话丢弃
对每个分组进行元素抽取,测试结果都好的随机抽一个,其余的丢弃
n
if n == 3 then:
随机选取一片芯片比较一次
if 都好 then 选择一片
else 选择剩下的一片
if n<3 then:随机选择一片
return
写一个C++程序贴在这里
-------------------------------------------------------------------------------------------------------------------
2.快速排序:
10/20 待续。
-------
计算几何里面的一个例子:
1.求点集的最小凸包:
/*d[]是一个Point的数组,Point有两个两个属性x和y,同时支持减法操作和det(叉积)。convex数组保存被选中的凸包的点的编号,cTotal是凸包中点的个数*/
bool cmpPoint(const Point &a, const Point &b) //比较坐标序所用的比较函数{
if (a.x!=b.x) return a.x
return a.y
}
void get_convex_hull()
{
sort(d,d+N,cmpPoint);
int Total=0,tmp;
for (int i=0;i
while ( (Total>1) &&
((d[convex[Total-1]]-d[convex[Total-2]]).det( //获得凸包中最后两个点的向量 d[i]-d[convex[Total-1]])<=0) ) Total--; //获得准备插入的点和凸包中最后一点的向量,计算叉积 convex[Total++]=i;
}
tmp=Total;
for (int i=N-2;i>=0;--i) //扫描上凸壳 {
while ( (Total>tmp) &&
((d[convex[Total-1]]-d[convex[Total-2]]).det(
d[i]-d[convex[Total-1]])<=0) ) Total--;
convex[Total++]=i;
}
cTotal=Total;
}
2.作者:Milo Yip
链接:优化笔记:正n边形顶点 - Milo的编程 - 知乎专栏
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
需求
要绘制圆形或圆盘时,通常需要用正n多边形去逼近圆形,那么要计算出正n多边形上的顶点。
优化前
对于 n 个顶点,算出角度
,然后直接计算
。这里我们用单精度浮点数及 Unity 的 Mathf 类。
void DrawCirlce(float r, int n)
{
float inc = 2.0f * Mathf.PI / n;
float alpha = 0.0f;
for (int i = 0; i < n; i++) {
float x = r * Mathf.Cos(alpha);
float y = r * Mathf.Sin(alpha);
/* Use (x, y) */
alpha += inc;
}
}
经性能检测,发现三角函数花了较多时间。
优化后
我们可以利用和角公式,用上一个迭代的结果(
)计算出本迭代的结果(
):
而且可以预先乘上半径:
void DrawCirlce(float r, int n)
{
float inc = 2.0f * Mathf.PI / n;
float y = 0.0f, x = r;
float sinb = Mathf.Sin(inc), cosb = Mathf.Cos(inc);
for (int i = 0; i < n; i++) {
/* Use (x, y) */
float ny = y * cosb + x * sinb;
float nx = x * cosb - y * sinb;
y = ny;
x = nx;
}
}
可以看出来,这其实等于不断旋转矢量。
但用这个方法,误差会累积,所以我们应该看一看误差的程度是否能接受。
设 r = 2.0f,n = {256, 1024, 4096},绘画优化前和代化后 x 的差。
可以看出 n 越大,误差越大。但这个误差范围对于我们的应用是可以接受的。而性能上,则从2个乘法、1个加法和2个三角函数求值,优化为4个乘法、1个加法和1个减法。