计算机算法设计与分析

最新推荐文章于 2024-06-14 10:13:07 发布

烟雨平生、赵

最新推荐文章于 2024-06-14 10:13:07 发布

阅读量1.2k

点赞数

分类专栏： C/C++ 文章标签：算法动态规划

本文链接：https://blog.csdn.net/weixin_45454852/article/details/120237160

版权

C/C++ 专栏收录该内容

6 篇文章 5 订阅

订阅专栏

第一章算法概论

1.1 算法与程序

算法：若干指令组成的有限集合。

四个性质：输入，输入，确定性（语法无二义性），有限性（指令有限）。

1.2 算法的复杂度分析

算法复杂度：时间和空间代价衡量。

一般分析时间复杂度较多，主要有三个时间复杂度分析，最好，平均，最坏，其中实践证明最坏时间复杂度最具有现实意义。T(n)=n的多项式（Time），n是问题规模。

当问题规模N趋近无穷大时，我们称为时间复杂度的渐进表达式。（数学理论基础是高等数学极限思想）。O(n)=n的多项式，n是问题规模。

NP完全性理论

P类问题 Polynomial 多项式时间内可解决的 判定性 问题。

NP类问题， None-Polynomial 在多项式时间内能够解的正确性，一般是猜测+验证，证明该问题是否可以在多项式时间内解决。

第二章递归与分支策略

1. 递归

1.1 递归的定义

递归定义：简介或直接调用自身的方法的算法。

两个要素{ 边界条件，递归函数 }

适应问题：

（1）问题定义是递归的。（阶乘）

（2）数据结构是递归的。（二叉树的遍历）

（3）问题解决方法是递归的。（汉诺塔问题）

1.2 递归问题和算法复杂度分析

（1）阶乘函数

$f(n)=\left\{\begin{matrix}1 &n=0 & \\n(n-1)&n>0 & \end{matrix}\right.$

解释：原来问题规模为n，问题转化成n(n-1)

unsigned int factorial(unsigned int )
{
    if(n==0)return 1;
    return n*factorial(n-1);

}

（2）Fibonacci数列

无穷数列1,1,2,3,5,8,13,21,34,55......，递归定义

$F(n)=\left\{\begin{matrix}1&n=0 & \\ 1&n=1 & \\ F(n-1)+F(n-2)&n>1 & \end{matrix}\right.$

unsigned int fibonacci(unsigned int n)
{
    if(n<1)return 1;
    return fibonacci(n-1)+fibonacci(n-2);
}

（3）排列问题

（4）整数划分问题

（5）汉诺塔问题

总结：递归问题都是在不断的减小原来问题的规模，让原问题变得更小，直到临界条件。

但是，递归问题用递归方法较为耗时，所以一般采用非递归方法，用一个栈来模拟递归，从而使运行速度加快（同时优化栈操作，尽可能减少栈操作，否则并不能加快速度）。

2. 分治

2.1 分治法基本思想

基本思想：将一个规模为n的问题，分解为k个规模较小的子问题，这些子问题相互独立且与原问题相同。

算法设计模式如下：

divide_and_conquer(P)
{
    if(|P|<n0)adhoc(P);
    divide P into smaller subinstances P1,P2,...Pk;
    for(int i=1;i<=k;i++)
    {
        yi=divide_and_conquer(Pi);
    }
    return merge(y1,y2,y3...,yk);
}

解释：P是问题的规模，n0是阀值，当问题规模小于n0时，问题已经很容易解决了，直接可以用方法adhoc()解决。算法merge()是该分治算法合并子算法，用于将P的子问题P1，P．．．Ｐｋ，的解y1,y2,y3....yk，合并为P的解。

为了方便起见，将阀值n0设为1，且adhoc（）解规模为1的问题耗费1个单位的时间。此外，再设将原问题分解为k个子问题以及用merge将k个子问题的解合并为原问题耗时 $f(n)$ 。若问题规模P=n，则设 $T(n)$ 为时间复杂度公式：

$T(n)\left\{\begin{matrix}O(1)&n=1 & \\ kT(n/m)+f(n)&n>1 & \end{matrix}\right.$

解读：将原问题分解为k个规模n=n/m的，同时耗时 $f(n)$ 合并。

分析渐进时间复杂度

方法一：主定理

分治时间<分割时间

$n^{\log_{m}k }>f(x)$ ， $O(n)=n^{\log_{m}k }$

分治时间=分割时间

$n^{\log_{m}k }=f(x)$ ， $O(n)=n\log_{2}n$

分治时间>分割时间

$n^{\log_{m}k }<f(x)$ ， $O(n)=f(x)$

方法二：定义函数递推。

2.2 各种例子

（1）二分搜索术

（2）合并排序

（3）快速排序

（4）Strassen矩阵乘法

减小子问题个数

（5）大整数乘法

减少子问题个数

（6）棋盘覆盖

设计一样的子问题

第三章动态规划

第四章贪心算法

第五章回溯法-+

第六章分支界限法

第七章随机化算法

烟雨平生、赵

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
计算机算法设计与分析

第一章算法概论1.1 算法与程序算法：若干指令组成的有限集合。四个性质：输入，输入，确定性（语法无二义性），有限性（指令有限）。1.2 算法的复杂度分析算法复杂度：时间和空间代价衡量。一般分析时间复杂度较多，主要有三个时间复杂度分析，最好，平均，最坏，其中实践证明最坏时间复杂度最具有现实意义。T(n)=n的多项式（Time），n是问题规模。当问题规模N趋近无穷大时，我们称为时间复杂度的渐进表达式。（数学理论基础是高等数学极限思想）。O(n)=n的多项式，n是问题规模。
复制链接

扫一扫