算法设计与分析A 复习总结1

一.算法的定义

①算法：解决问题的一种方法或一个过程，是一个由若个运算或指令组成的有穷序列
②算法的特点：

• 有输入输出
• 确定性
• 可行性
• 有穷性

二.分析框架

先要了解时间复杂度和空间复杂度：

• 时间复杂度：执行算法需要消耗的时间长短
• 空间复杂度：执行算法需要消耗的存储空间大小

1.蛮力法

• 思想：是一种简单直接地解决问题的方法，常常直接基于问题的描述和所涉及的概念定义
• 例子：选择排序和冒泡排序，顺序查找和蛮力字符串匹配，最近对和凸包问题，穷举查找，深度和广度优先查找算法

2.减治法

• 思想：把原问题分解为小问题，再把小问题分解为更小的问题，直到得到解
• 3种主要的变化形式：①减去一个常量②减去一个常量因子③减去的规模是可变的
• 例子：插入排序，拓扑排序，约瑟夫斯问题

3.分治法

• 思想：“分而治之”，把原问题分成k个较小规模的子问题，再对这k个子问题分别求解
• 基本特征：①平衡子问题：子问题的规模大致相同②独立子问题：子问题之间相互独立
• 例子：合并排序，快速排序，二叉树遍历，大整数乘法，最近对和凸包问题

4.变治法

• 思想：将问题变换的更容易求解
• 例子：平衡查找树，推排序

5.动态规划

• 思想： 一个最优问题的任何实例的最优解，是由该实例的子实例的最优解组成的，适用于有重叠子问题和最优子结构性质的问题
• 例子：背包问题，最优二叉查找树，Floyd算法

6.贪婪法

• 思想：把整个问题分解成多个步骤，在每个步骤都选取当前步骤的最优方案，直到所有步骤结束
• 例子：Prim算法，Kruskal算法，Dijkstra算法，哈夫曼树及编码

三.渐近符号和基本效率类型

大写O符号
f(n)=O(g(n))，这里f(n)是分析出来算法的执行次数的函数，
O的定义: 当且仅当存在正的常数c和n0，使得对于所有的n>=n0，有f(n)<=cg(n)。这里cg(n)就是函数f(n)的上限。

几种函数的例子:

1.线性函数
f(n)=3n+2，当n>=2时，3n+2<=3n+n=4n。
所以f(n)=O(n)，这里c = 4，n0 = 2，g(n) = n, 那么cg(n) 也就是4n 就是f(n) 的上界

2.平方函数
f(n)=2n^{2+3n+3，当n>=3时，3n+3<=4n，当n>=4时，4n<n}2，f(n)=2n²⁺ⁿ2=3n^2。
f(n)=O(n^2)，这里c = 3，n0 = 4， g(n) = n^2 ,那么cg(n) 也就是3n^2 就是f(n) 的上界

3.指数函数
f(n)=62ⁿ⁺ⁿ2，当n>=4时，n^2<=2n，所以当n>=4，有f(n)<=62ⁿ⁺²n=7*2^n。
这里c是7，n0=4，f(n)=O(2^n)。

4.常数阶
f(n)=9，这里就直接记为O(1)，c为9，n0为0就可以了，f(n)=9<=9*1。

Ω符号
定义：f(n)=Ω(g(n))，当且仅当存在正的常数c和n0，使得对于所有n>=n0，有f(n)>=cg(n)。Ω符号是给函数的下限。
例子:

对于所有的n，有f(n)=3n+2>3n，所以f(n)=Ω(n)，这里c=3，n0=0。这里也可以这样f(n)=Ω(1)，

Θ符号
定义：对于存在大于0的常数c1、c2和非负的整数n0，以及足够大的n，对于所有的n≥n0来说，有c1g(n)<=f (n)<=c2g(n)。
例子：

3n+2=Θ(n)，当c1=3,c2=4，n>=n0=2时，3n<=3n+2<=4n。

基本的渐进效率类型

O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n)

四，递归与非递归算法分析

1.分析递归算法时间效率的通用方案

(1)决定用哪个(哪些)参 数作为输入规模的度量标准。
(2)找出算法的基本操作。
(3)检查一下，对于相同规模的不同输入， 基本操作的执行次数是否可能不同。如果有这种可能，则必须对最差效率、平均效率以及最优效率做单独研究。
(4)对于算法基本操作的执行次数，建立-个递推 关系以及相应的初始条件。(5)解这个递推式， 或者至少确定它的解的增长次数。

2.分析非递归算法时间效率的通用方案

(1)决定用哪个(哪些)参数表示输入规模。
(2)找出算法的基本操作(作为个规律， 它总是位于算法的最内层循环中)。
(3)检查基本操作的执行 次数是否只依赖于输入规模。如果它还依赖于一些 其他的特性，则最差效率、平均效率以及最优效率(如有必要)需要分别研究。
(4)建立一个算法基本操作执行次数的求和表达式
(5)利用求和运算的标准公式和法则来建立一个操作次数的闭合公式，或者至少确定它的增长次数