寻找最好的算法
1. 实例
以总和最大区间问题为例:
给定一个实数序列,设计一个最有效的算法,找到一个总和最大的区间
- 暴力解法1:O(n3),暴力枚举左边界和右边界需要O(n2),计算边界内的和需要O(n),因此时间复杂度为O(n2)
- 暴力解法2:分析暴力解法1,发现计算边界内的和不需要重复计算,在枚举边界时即可计算出当前最大和,这时需要维护三个变量:当前最大和,当前右边界,当前总和,时间复杂度为O(n2)
- 分治法:首先,将序列[p, q]以分为二,分别计算左右边界[p, K/2], [K/2+1, q]的最大和 [ p 1 , q 1 ] , [ p 2 , q 2 ] [p_1, q_1], [p_2, q_2] [p1,q1],[p2,q2],当前整个序列的最大和为以下三个值中的最大值(可举例推导为以下三个值中的最大值):
- [ p 1 , q 1 ] [p_1, q_1] [p1,q1]
- [ p 2 , q 2 ] [p_2, q_2] [p2,q2]
- [ p 1 , q 2 ] [p_1, q_2] [p1,q2]
- 正反两遍扫描:从左到右扫描可以确定右边界,从右到左扫描确定左边界,如果从左到右扫描,出现了和为负数情况,需要将序列以为负数的点为界,分为多个子序列,整个序列的最大和等价于多个子序列最大和中的最大值。
- 动态规划:这是个典型的动态规划问题,求解最大连续子序列和
2 思考
- 将上述例题的线性复杂度算法写成伪代码
def solve(arr):
sum_tmp = 0
sum_max = arr[0]
left = 0
right = 0
left_tmp = 0
for i in range(len(arr)):
sum_tmp += arr[i]
if sum_tmp > sum_max:
sum_max = sum_tmp
right = i
left = left_tmp
if sum_tmp < 0:
left_tmp = i + 1
sum_tmp = 0
return sum_max, arr[left: right]
def solve2(arr):
# if we should find the left and right bound, we can use additional O(n) to store the left bound, and the right bound is the position which is max number in dp
dp = [0 * len(arr)]
dp[0] = arr[0]
for i in range(1