算法导论学习笔记——递归及解法
大O表示法:算法运行上界
- f ( n ) = O ( g ( n ) ) f(n)=O(g(n)) f(n)=O(g(n)) : 存在一个常数 c > 0 , n 0 > 0 c>0,n_0>0 c>0,n0>0,such that 0 < = f ( n ) < = c g ( n ) 0 <= f(n) <= cg(n) 0<=f(n)<=cg(n), for all n > = n 0 n >= n_0 n>=n0。
- f ( n ) f(n) f(n)以 g ( n ) g(n) g(n)为上界
-
E
x
,
α
n
3
=
O
(
n
3
)
Ex, \alpha n ^{3}=O(n^3)
Ex,αn3=O(n3), 这里的等号不具备传递性,不是表示等于,而是表示
是
。
Ω \Omega Ω-notation
- Ω ( g ( n ) ) = f ( n ) \Omega(g(n))=f(n) Ω(g(n))=f(n): 表示为运行时间的下界
- Θ ( g ( n ) ) = O ( g ( n ) ) ∩ Ω ( g ( n ) ) \Theta(g(n))=O(g(n)) \cap \Omega(g(n)) Θ(g(n))=O(g(n))∩Ω(g(n)) :忽略常数和系数,不忽略低阶项
解递归式
代换法
- 猜测一个界
- 数学归纳法去得到这个猜测
递归树法
将递归式转换为一棵树,其结点表示不同层次的递归调用产生的代价,然后采用边界和技术来求解递归式
主方法
T ( n ) = a T ( n / b ) + f ( n ) T(n)=aT(n/b)+f(n) T(n)=aT(n/b)+f(n), 其中a大于等于1,b大于1,f(n)是给定的函数:生成a个子问题,每个子问题的规模是原来问题规模的1/b,分解和合并步骤总共花费时间为f(n)
最大子数组问题
//动态规划求解,时间复杂度O(n)
int maxSubArray(vector<int>& nums) {
int pre = 0, ans = nums[0];
for(int i = 0;i < nums.size();i++) {
//前一段加上本身和本身作比较
pre = max(nums[i] + pre,nums[i]);
//更新答案
ans = max(pre,ans);
}
return ans;
}