目录
1、二分查找算法(非递归)
二分查找算法(非递归)介绍
- 查找算法里面学习了二分查找算法,是使用递归的方式,其实可以使用非递归的方法。
- 二分查找法只适用于从有序的数列中进行查找(比如数字和字母等),将数列排序后再进行查找
- 二分查找法的运行时间为对数时间O(log2 n) ,即查找到需要的目标位置最多只需要log2 n步,假设从[0,99]的队列(100个数,即n=100)中寻到目标数30,则需要查找步数为log2100, 即最多需要查找7次(26< 100 <27)
二分查找算法(非递归)代码实现
数组{1,3,8, 10, 11, 67, 100},编程实现二分查找,要求使用非递归的方式完成.
private static int binarySearch(int[] arr,int value) {
int left = 0;
int right = arr.length-1;
while(left<=right) {
int mid = (right-left)/2+left;
if(arr[mid]==value) {
return mid;
}else if(arr[mid]>value) {
right = mid-1;
}else {
left = mid+1;
}
}
return -1;
}
2、分治算法
分治算法介绍
- 分治法是一种很重要的算法。字面上的解释是“分而治之”,就是把一个复杂的问题分成两个或更多的相同或相似的子问题,再把子问题分成更小的子问题…直到最后子问题可以简单的直接求解,原问题的解即子问题的解的合并。这个技巧是很多高效算法的基础,如排序算法(快速排序,归并排序),傅立叶变换(快速傅立叶变换…
- 分治算法可以求解的一些经典问题
✔二分搜索
✔大整数乘法
✔棋盘覆盖
✔归并排序
✔快速排序
✔线性时间选择
✔最接近点对问题.
✔循环赛日程表
✔汉诺塔
分治算法的基本步骤
分治法在每一层递归上都有三个步骤:
- 分解:将原问题分解为若干个规模较小,相互独立,与原问题形式相同的子问题
- 解决: 若子问题规模较小而容易被解决则直接解,否则递归地解各个子问题
- 合并:将各个子问题的解合并为原问题的解。
分治算法最佳实践汉诺塔
➢汉诺塔的传说
汉诺塔:汉诺塔(又称河内塔)问题是源于印度一个古老传说的益智玩具。大梵天创造世界的时候做了三根金刚石柱子,在一根柱子上从下往上按照大小顺序摞着64片黄金圆盘。大梵天命令婆罗门把圆盘从下面开始按大小顺序重新摆放在另一-根柱子上。并且规定,在小圆盘上不能放大圆盘,在三根柱子之间一-次只能移动一个圆盘。假如每秒钟一次,共需多长时间呢?移完这些金片需要5845.54亿年以上,太阳系的预期寿命据说也就是数百亿年。真的过了5845.54亿年,地球上的一切生命,连同梵塔、庙宇等,都早已经灰飞烟灭。
➢汉诺塔游戏的演示和思路分析:
- 如果是有一个盘, A->C
如果我们有n>=2情况,我们总是可以看做是两个盘:
1.最下边的盘
2.上面的盘 - 先把最上面的盘A->B
- 把最下边的盘A->C .
- 把B塔的所有盘从B->C
➢汉诺塔 游戏的代码实现:
package com.xhl.composite;
public class Hanoitower {
private static int count=0;
public static void main(String[] args) {
// TODO Auto-generated method stub
hanoitower(3,'A','B','C');
}
//分治
private static void hanoitower(int num, char a, char b, char c) {
if(num>1) {
hanoitower(num-1, a, c, b);
}
System.out.println("第"+num+"个盘从"+a+"--->"+c);
if(num>1) {
hanoitower(num-1, b, a, c);
}
}
}
3、动态规划
动态规划算法介绍
- 动态规划(Dynamic Programming)算法的核心思想是:将大问题划分为小问题进行解决,从而一步步获取最优解的处理算法
- 动态规划算法与分治算法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。
- 与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。(即下一个子阶段的求解是建立在上一个子阶段的解的基础上,进行进一步的求解 )
- 动态规划可以通过填表的方式来逐步推进,得到最优解.
应用场景——背包问题
背包问题:有一个背包,容量为4磅,现有如下物品:
物品 | 重量 | 价格 |
---|---|---|
吉他(G) | 1 | 1500 |
音响(S) | 4 | 3000 |
电脑(L) | 3 | 2000 |
- 要求达到的目标为装入的背包的总价值最大,并且重量不超出
- 要求装入的物品不能重复
思路分析:
- 背包问题主要是指一个给定容量的背包、若干具有一定价值和重量的物品,如何选择物品放入背包使物品的价值最大。其中又分01背包和完全背包(完全背包指的是:每种物品都有无限件可用)
- 这里的问题属于01背包,即每个物品最多放一个。而无限背包可以转化为01背包。
- 算法的 主要思想,利用动态规划来解决。每次遍历到的第i个物品,根据w[i]和v[i]来确定是否需要将该物品放入背包中。即对于给定的n个物品,设v[i、 w[i]分别为第i个物品的价值和重量, C为背包的容量。再令v[i]lj]表示在前i个物品中能够装入容量为j的背包中的最大价值。则我们有下面的结果:
package com.xhl.dynamic;
import java.util.Arrays;
public class KnapsackProblem {
public static void main(String[] args) {
String[] goods = {"吉他","音箱","电脑"};
int[] weight = {1,4,3};//重量
int[] val = {1500,3000,2000};//价值
int m = 4;//背包的容量
int[][] path = new int[goods.length][m+1];
int[] maxval = new int[m+1];
System.out.println("============完全背包=============");
//完全背包
path = new int[goods.length][m+1];
for(int i=0;i<goods.length;i++) {
for(int j=0;j<=m;j++) {
if(weight[i]<=j) {//此时加入的物品重量小于等于限制重量
int v = maxval[j-weight[i]]+val[i];
//maxval[j] = v>maxval[j]?v:maxval[j];
if(v>maxval[j]) {
path[i][j]=1;
maxval[j]=v;
}
}
}
System.out.println(Arrays.toString(maxval));
}
System.out.println(maxval[m]);
int p=goods.length-1;
int q=m;
while(p>=0&&q>=0) {
if(path[p][q]==1) {
System.out.printf(goods[p]+"\t");
q -= weight[p];
}else {
p--;
}
}
System.out.println();
System.out.println("============01背包=============");
int[][] arr = new int[2][m+1];
//01背包
for(int i=0;i<goods.length;i++) {
for(int j=0;j<=m;j++) {
int k = i==0?1:(i-1)%2;
if(weight[i]<=j) {//此时加入的物品重量小于等于限制重量
int v = arr[k][j-weight[i]]+val[i];
//arr[i%2][j] = v>arr[k][j]?v:arr[k][j];
if(v>arr[k][j]) {
path[i][j]=1;
arr[i%2][j] = v;
}else {
arr[i%2][j] = arr[k][j];
}
}else {
arr[i%2][j] = arr[k][j];
}
}
System.out.println(Arrays.toString(arr[i%2]));
}
System.out.println(arr[(goods.length-1)%2][m]);
p=goods.length-1;
q=m;
while(p>=0&&q>=0) {
if(path[p][q]==1) {
System.out.printf(goods[p]+"\t");
q -= weight[p];
}
p--;
}
}
}
4、KMP算法*next数组生成
KMP 算法介绍
- KMP是一个解决模式串在文本串是否出现过,如果出现过,最早出现的位置的经典算法
- Knuth-Morris-Pratt 字符串查找算法,简称为“KMP 算法”,常用于在一个文本串S内查找一个模式串P的出现位置,这个算法由Donald Knuth、Vaughan Pratt、James H. Morris 三人于1977年联合发表,故取这3人的姓氏命名此算法.
- KMP 方法算法就利用之前判断过信息,通过一个next数组,保存模式串中前后最长公共子序列的长度,每次回溯时,通过next数组找到,前面匹配过的位置,省去了大量的计算时间
- 参考资料
应用场景——字符串匹配问题
➢字符串匹配问题: :
- 有一个字符串str1="“千山鸟飞绝鸟飞绝飞绝绝万径人踪灭”",和一个子串str2="鸟飞绝飞绝绝”
- 现在要判断str1 是否含有str2, 如果存在,就返回第一次出现的位置,如果没有,则返回-1
暴力匹配算法
如果用暴力匹配的思路,并假设现在strl匹配到i位置,子串str2 匹配到j位置,则有:
- 如果当前字符匹配成功(即str1[i]== str2[j]) ,则i++,j++, 继续匹配下一个字符
- 如果失配 (即str1[i]!= str2[j]),令i=i-(j-1), j=0。相当于每次匹配失败时,i回溯,j被置为0。
- 用暴力方法解决的话就会有大量的回溯,每次只移动一位,若是不匹配,移动到下一位接着判断,浪费了大量的时间。(不可行!)
KMP算法
package com.xhl.composite;
public class KMPAlgorithm {
public static void main(String[] args) {
// TODO Auto-generated method stub
String str1 = "BBC ABCDAB ABCDABCDABDE";
String str2 = "ABCDABD";
int[] next = kempNext(str2);
int index = kmpSearch(str1,str2,next);
System.out.println(index);
System.out.println(str1.charAt(index));
}
private static int kmpSearch(String str1, String str2, int[] next) {
int i=0,j=0;
while(i<str1.length()&&j<str2.length()){
if(j==-1||str1.charAt(i)==str2.charAt(j)) {
i++;
j++;
}else {
j=next[j];
}
}
if(j==str2.length()) {
return (i-j);
}else {
return -1;
}
}
//获取到子串的部分匹配值表
private static int[] kempNext(String dest) {
//next保存部分匹配值
int[] next = new int[dest.length()];
int k=-1;
int j=0;
next[0]=-1;
//下面这段神仙代码只可意会不可言传,自行理解,最后自己试着走一遍就懂了
while(j<dest.length()-1) {
if(k==-1||dest.charAt(k)==dest.charAt(j)) {
k++;
j++;
next[j]=k;
}else {
k=next[k];
}
}
return next;
}
}
改进
显然,当我们上边的算法得到的next数组应该是[ -1,0,0,1 ]
所以下一步我们应该是把j移动到第1个元素咯:
不难发现,这一步是完全没有意义的。因为后面的B已经不匹配了,那前面的B也一定是不匹配的,同样的情况其实还发生在第2个元素A上。
显然,发生问题的原因在于 t[j] == t[next[j]]。
所以我们需要谈价一个判断:
//改进后==========================================
// 获取到子串的部分匹配值表
private static int[] kempNext1(String dest) {
// next保存部分匹配值
int[] next = new int[dest.length()];
int k = -1;
int j = 0;
next[0] = -1;
// 下面这段神仙代码只可意会不可言传,自行理解,最后自己试着走一遍就懂了
while (j < dest.length() - 1) {
if (k == -1 || dest.charAt(k) == dest.charAt(j)) {
k++;
j++;
if(dest.charAt(k) == dest.charAt(j)) {
next[j]=next[k];
}else {
next[j] = k;
}
} else {
k = next[k];
}
}
return next;
}
5、贪心算法
贪心算法介绍.
- 贪婪算法(贪心算法)是指在对问题进行求解时,在每–步选择中都采取最好或者最优(即最有利)的选择,从而希望能够导致结果是最好或者最优的算法
- 贪婪 算法所得到的结果不一定是最优的结果(有时候会是最优解),但是都是相对近似(接近)最优解的结果
贪心算法最佳应用——集合覆盖
- 假设存在如下表的需要付费的广播台,以及广播台信号可以覆盖的地区。 如何选择最少的广播台,让所有的地区都可以接收到信号
- 思路分析:
➢如何找出覆盖所有地区的广播台的集合呢,使用穷举法实现,列出每个可能的广播台的集合,这被称为幂集。假设总的有n个广播台,则广播台的组合总共有
2n -1 个,假设每秒可以计算10个子集,如图:
➢使用贪婪算法,效率高:
- 目前并没有算法可以快速计算得到准备的值,使用贪婪算法,则可以得到非常接近的解,并且效率高。选择策略上,因为需要覆盖全部地区的最小集合:
- 遍历所有的广播电台,找到一个覆盖了最多未覆盖的地区的电台(此电台可能包含一些已覆盖的地区,但没有关系)
- 将这个电台加入到一个集合中(比如ArrayList),想办法把该电台覆盖的地区在下次比较时去掉。
- 重复第1步直到覆盖了全部的地区
package com.xhl.composite;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
public class GreedyAlgorithm {
public static void main(String[] args) {
//创建广播电台,放到map
HashMap<String, HashSet<String>> broadcasts = new HashMap<String, HashSet<String>>();
//将各个电台放到broadcast
HashSet<String> hashSet1 = new HashSet<String>();
hashSet1.add("北京");
hashSet1.add("上海");
hashSet1.add("天津");
HashSet<String> hashSet2 = new HashSet<String>();
hashSet2.add("广州");
hashSet2.add("北京");
hashSet2.add("深圳");
HashSet<String> hashSet3 = new HashSet<String>();
hashSet3.add("成都");
hashSet3.add("上海");
hashSet3.add("杭州");
HashSet<String> hashSet4 = new HashSet<String>();
hashSet4.add("上海");
hashSet4.add("天津");
HashSet<String> hashSet5 = new HashSet<String>();
hashSet5.add("杭州");
hashSet5.add("大连");
broadcasts.put("K1", hashSet1);
broadcasts.put("K2", hashSet2);
broadcasts.put("K3", hashSet3);
broadcasts.put("K4", hashSet4);
broadcasts.put("K5", hashSet5);
HashSet<String> allAreas = new HashSet();
allAreas.add("北京");
allAreas.add("上海");
allAreas.add("天津");
allAreas.add("广州");
allAreas.add("深圳");
allAreas.add("成都");
allAreas.add("杭州");
allAreas.add("大连");
//创建ArrayList,存放选择的电台集合
ArrayList<String> selects = new ArrayList();
//定义一个临时的集合,在遍历的过程中,存放遍历过程中的电台覆盖的地区和当前还没有覆盖的地区的交集
HashSet<String> tempSet = new HashSet();
//定义给maxKey,保存在一次遍历过程中,能够覆盖最大未覆盖的地区对应的电台的key
String maxKey = null;
//如果maxKey不为null,则会加入到selects
while(allAreas.size()!=0) {// 如果alraes不为0,则表示还没有覆盖到所有的地区
maxKey = null;
for(String key : broadcasts.keySet()) {
tempSet.clear();
tempSet.addAll(broadcasts.get(key));
tempSet.retainAll(allAreas);
if(tempSet.size()>0&&(maxKey==null||tempSet.size()>broadcasts.get(maxKey).size())) {
maxKey = key;
}
}
if(maxKey!=null) {
selects.add(maxKey);
allAreas.removeAll(broadcasts.get(maxKey));
}
}
System.out.println(selects);
}
}
总结
- 贪婪算法所得到的结果不一定是最优的结果(有时候会是最优解),但是都是相对近似(接近)最优解的结果
- 比 如上题的算法选出的是K1,K2, K3,K5,符合覆盖了全部的地区
- 但是我们发现 K2, K3,K4,K5也可以覆盖全部地区,如果K2的使用成本低于K1,那么我们上题的K1, K2, K3,K5虽然是满足条件,但是并不是最优的
6、普里姆算法
应用场景——修路问题
➢看一个应用场景和问题:
最小生成树
修路问题本质就是就是最小生成树问题,先介绍一下最小生成树(Minimum Cost Spanning Tree),简称MST.给定一个带权的无向连通图,如何选取一棵生成树,使树上所有边上权的总和为最小,这叫最小生成树
- N个顶点,一定有N-1条边
- 包含全部顶点.
- N-1 条边都在图中
- 举例说明(如图:)
- 求最小生成树算法主要是普里姆算法和克鲁斯卡尔算法
普里姆算法介绍
普利姆(Prim)算法求最小生成树,也就是在包含n个顶点的连通图中,找出只有(n- 1)条边包含所有n个顶点的连通子图,也就是所谓的极小连通子图
普利姆的算法如下:
- 设G=(V,E)是连通网,T=(U,D)是最小生成树,V,U是顶点集合,E,D是边的集合
- 若从顶点u开始构造最小生成树,则从集合V中取出顶点u放入集合U中,标记项点v的visited[u]=1
- 若集合U中顶点ui与集合V中的顶点vj之间存在边,则寻找这些边中权值最小的边,但不能构成回路,将顶点vj加入集合U中,将边(ui,vj) 加入集合D中,标记visited[vj]=1
- 重复步骤②,直到U与V相等,即所有顶点都被标记为访问过,此时D中有n-1条边
- 图解普利姆算法
普里姆算法最佳实践(修路问题)
- 有胜利乡有7个村庄(A, B, C, D,E,F,G),现在需要修路把7个村庄连通
- 各个村庄的距离用边线表示(权),比如A-B距离5公里
- 问: 如何修路保证各个村庄都能连通,并且总的修建公路总里程最短?
以从A出发为例子
ABCDEFG分别用0-6表示
package com.xhl.composite;
public class MGraph {
int verxs;//表示图的节点个数
char[] data;//存放结点数据
int[][] weight;//存放边
public MGraph(int verxs) {
this.verxs = verxs;
data = new char[verxs];
weight = new int[verxs][verxs];
}
}
package com.xhl.composite;
import java.util.Arrays;
public class MinTree {
//创建图的邻接矩阵
/*
@param graph图对象
@param verxs图对应的顶点个数
@param data图的各个顶点的值
@param weight 图的邻接矩阵
*/
public void createGraph(MGraph graph , int verxs,char[] data,int[][] weight) {
int i,j;
for(i=0;i<verxs;i++) {
graph.data[i]=data[i];
for(j=0;j<verxs;j++) {
graph.weight[i][j]=weight[i][j];
}
}
}
//显示图的邻接矩阵
public void showGraph(MGraph graph) {
for(int[] w:graph.weight) {
System.out.println(Arrays.toString(w));
}
}
/*编写prim算法,得到最小生成树
@param graph图
@param v表示从图的第几个顶点开始生成'A'->0 'B'->1...
*/
public void prim(MGraph graph,int v) {
//记录以i为终点的边的最小权值;lowcost[i]=-1,表示终点i已加入生成树
int[] lowcost = new int[graph.verxs];
//记录对应lowcost[i]的起点;mst[i]=-1时,表示起点i已加入生成树
int[] mst = new int[graph.verxs];
for(int i=0;i<graph.verxs;i++) {
lowcost[i]=graph.weight[v][i];
mst[i] = v;
}
mst[v] = -1;//顶点v已加入生成树
lowcost[v] = -1;
for(int k=0;k<graph.verxs-1;k++) {
int min = PrimDemo.max;//最小权值置为无穷大
int minid = -1;//而边的终点下标置为0
for(int i=0;i<graph.verxs;i++) {//查找当前的边的最小权值及对应的终点下标
if(lowcost[i]<min&&lowcost[i]!=-1) {//还未加入生成树
min = lowcost[i];
minid = i;
}
}
System.out.println(graph.data[mst[minid]]
+"--->"+graph.data[minid]
+"\t"+min);
lowcost[minid]=-1;//minid顶点加入生成树
mst[minid]=-1;
for(int i=0;i<graph.verxs;i++) {
if(mst[i]!=-1&&graph.weight[minid][i]<lowcost[i]) {
lowcost[i]=graph.weight[minid][i];//更新权值信息
mst[i]=minid;//更新最小权值边的起点
}
}
System.out.println(Arrays.toString(mst));
System.out.println(Arrays.toString(lowcost));
}
}
}
package com.xhl.composite;
public class PrimDemo {
public static final int max = 10000;
public static void main(String[] args) {
char[] data = new char[] {'A','B','C','D','E','F','G'};
int verxs = data.length;
//邻接矩阵表示
int[][] weight = new int[][] {
{max,5,7,max,max,max,2},
{5,max,max,9,max,max,3},
{7,max,max,max,8,max,max},
{max,9,max,max,max,4,max},
{max,max,8,max,max,5,4},
{max,max,max,4,5,max,6},
{2,3,max,max,4,6,max}
};
MGraph graph = new MGraph(verxs);
MinTree minTree = new MinTree();
minTree.createGraph(graph, verxs, data, weight);
minTree.showGraph(graph);
minTree.prim(graph, 0);
}
}
7、克鲁斯卡尔算法
克鲁斯卡尔算法基本介绍
- 克鲁斯卡尔(Kruskal)算法,是用来求加权连通图的最小生成树的算法。
- 基本思想:按照权值从小到大的顺序选择n-1条边,并保证这n-1条边不构成回路
- 具体做法: 首先构造一个只含n个顶点的森林,然后依权值从小到大从连通网中选择边加入到森林中,并使森;林中不产生回路,直至森林变成一棵树为止
克鲁斯卡尔算法图解说明
以城市公交站问题来图解说明克鲁斯卡尔算法的原理和步骤:
克鲁斯卡尔最佳实践公交站问题
package com.xhl.kruskal;
public class EDate implements Comparable<EDate>{
char start;//边的一个点
int startid;
char end;//边的另一个点
int endid;
int weight;
public EDate(int startid,int endid, char start, char end, int weight) {
super();
this.startid=startid;
this.endid = endid;
this.start = start;
this.end = end;
this.weight = weight;
}
@Override
public String toString() {
// TODO Auto-generated method stub
return "<"+start+","+end+">="+weight;
}
@Override
public int compareTo(EDate arg0) {
return this.weight-arg0.weight;
}
}
package com.xhl.kruskal;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.Collections;
import java.util.List;
public class MinTree {
//存放边的集合
private static List<EDate> edges = new ArrayList();
public MinTree(int[][] weight,char[] data,int vertexs) {
for(int i=0;i<vertexs-1;i++) {
for(int j=i+1;j<vertexs;j++) {
edges.add(new EDate(i,j,data[i], data[j], weight[i][j]));
}
}
Collections.sort(edges);
for(EDate e:edges) {
System.out.println(e);
}
System.out.println();
}
public void kruskal(int vertexs) {
int[] all = new int[vertexs];
for(int i=0;i<vertexs;i++) {
all[i]=-1;//表示未标记
}
all[edges.get(0).startid]=edges.get(0).startid;
int count=1;
for(EDate e:edges) {
if(all[e.endid]!=-1&&all[e.startid]!=-1) {
if(all[e.endid]!=all[e.startid]) {//来自两个不同的数
System.out.println(e);
for(int i=0;i<vertexs;i++) {//进行染色
if(all[i]==all[e.endid]) {
all[i]=all[e.startid];
}
}
count++;
}
}else if(all[e.endid]==-1&&all[e.startid]==-1) {
System.out.println(e);
all[e.startid]=all[e.endid]=e.startid;
count++;
}else if(all[e.endid]!=-1&&all[e.startid]==-1){
System.out.println(e);
all[e.startid]=all[e.endid];
count++;
}else if(all[e.endid]==-1&&all[e.startid]!=-1) {
System.out.println(e);
all[e.endid]=all[e.startid];
count++;
}
if(count==vertexs) {
break;
}
}
}
}
package com.xhl.kruskal;
public class KruskalDemo {
private static final int max = Integer.MAX_VALUE;
public static void main(String[] args) {
char[] data = new char[] {'A','B','C','D','E','F','G'};
int vertexs = data.length;
//邻接矩阵表示
int[][] weight = new int[][] {
{max,5,7,max,max,max,2},
{5,max,max,9,max,max,3},
{7,max,max,max,8,max,max},
{max,9,max,max,max,4,max},
{max,max,8,max,max,5,4},
{max,max,max,4,5,max,6},
{2,3,max,max,4,6,max}
};
MinTree mTree = new MinTree(weight, data, vertexs);
mTree.kruskal(vertexs);;
}
}
8、迪杰斯特拉算法
迪杰斯特拉(Dijkstra)算法介绍.
迪杰斯特拉(Djkstra)算法是典型最短路径算法,用于计算一个结点到其他结点的最短路径。它的主要特点是以起始点为中心向外层层扩展(广度优先搜索思想),直到扩展到终点为止。
迪杰斯特拉(Dijkstra)算法过程
-
设置出发顶点为v,顶点集合V{v1,v2,…,vi }, v到V中各顶点的距离构成距离集合Dis, Dis{d1,d2,…,di }, Dis集合记录着v到图中各顶点的距离(到自身可以看作0,v到vi距离对应为di)
-
从Dis中选择值最小的di并移出Dis集合,同时移出V集合中对应的顶点vi,此时的v到vi即为最短路径
-
更新Dis集合, 更新规则为:比较v到V集合中顶点的距离值,与v通过vi到V集合中顶点的距离值,保留.值较小的一个(同时也应该更新顶点的前驱节点为vi,表明是通过vi到达的)
-
重复执行两步骤,直到最短路径顶点为目标顶点即可结束
迪杰斯特拉(Dijkstra)算法最佳应用——最短路径
package com.xhl.Dijkstra;
import java.util.Arrays;
import java.util.Stack;
public class Dijkstra {
private static final int max = 10000;
private static int[] previous;
private static int[] minPaths;
public static void main(String[] args) {
char[] data = new char[] {'A','B','C','D','E','F','G'};
int vertexs = data.length;
//邻接矩阵表示
int[][] weight = new int[][] {
{max,5,7,max,max,max,2},
{5,max,max,9,max,max,3},
{7,max,max,max,8,max,max},
{max,9,max,max,max,4,max},
{max,max,8,max,max,5,4},
{max,max,max,4,5,max,6},
{2,3,max,max,4,6,max}
};
dijkstra(weight, vertexs, 0);
System.out.println(Arrays.toString(previous));
System.out.println(Arrays.toString(minPaths));
for(int i=0;i<vertexs;i++) {
show(i,data);
}
}
public static void show(int v,char[] data) {
Stack stack = new Stack<>();
int path = minPaths[v];
stack.push(v);
while(previous[v]!=-1) {
stack.push(previous[v]);
v=previous[v];
}
while(!stack.empty()) {
System.out.print(data[(int) stack.pop()]+"-->");
}
System.out.println(path);
}
public static void dijkstra(int[][] weight,int vertexs,int v) {
previous = new int[vertexs];
minPaths = new int[vertexs];
int[] flag = new int[vertexs];
int min = 0;//坐标
for(int i=0;i<vertexs;i++) {
minPaths[i]=weight[v][i];
min= minPaths[min]>minPaths[i]?i:min;
previous[i]=v;
}
previous[v]=-1;//起始
minPaths[v]=0;
flag[v]=1;//标记
while(true) {
flag[min]=1;
int index = min;
min = -1;
boolean tag=true;
for(int j=0;j<vertexs;j++) {
if(flag[j]!=1) {
tag =false;
int k = minPaths[index]+weight[index][j];
if(k<minPaths[j]) {
minPaths[j]=k;
previous[j]=index;
}
if(min == -1) {
min = j;
}else {
min = minPaths[j]<minPaths[min]?j:min;
}
}
}
if(tag) {
break;
}
}
}
}
9、弗洛伊德算法
弗洛伊德(Floyd)算法介绍
- 和Dijkstra算法-一样,弗洛伊德(Floyd)算法也是-种用于寻找给定的加权图中顶点间最短路径的算法。该算法名称以创始人之一、1978 年图灵奖获得者、斯坦福大学计算机科学系教授罗伯特●弗洛伊德命名
- 弗洛 伊德算法(Floyd)计算图中各个顶点之间的最短路径
- 迪杰斯特拉算法用于计算图中某一个顶点到其他顶点的最短路径。
- 弗洛伊德算法VS迪杰斯特拉算法:迪杰斯特拉算法通过选定的被访问顶点,求出从出发访问顶点到其他顶点的最短路径;弗洛伊德算法中每一个顶点都是出发访问点,所以需要将每一个顶点看做被访问顶点,求出从每.一个顶点到其他顶点的最短路径。
弗洛伊德(Floyd)算法图解分析
- 设置顶点 vi到顶点vk的最短路径已知为Lik,顶点vk到vj的最短路径已知为Lkj,顶点vi到vj的路径为Lij,则vi到vj的最短路径为: min((Lik+Lkj),Lij), vk的取值为图中所有顶点,则可获得vi到vj的最短路径
- 至于vi到vk的最短路径Lik或者vk到vj的最短路径Lkj,是以同样的方式获
弗洛伊德算法应用——最短路径
package com.xhl.Floyd;
import java.util.Arrays;
public class Graph {
private char[] vertex;//存放顶点数组
private int[][] dis;//保存从各个顶点出发到其他顶点的距离,最后结果要保留在该数组
private int[][] pre;//保存达到目标顶点的前驱节点
public Graph(char[] vertex, int[][] dis, int length) {
super();
this.vertex = vertex;
this.dis = dis;
this.pre = new int[length][length];
for(int i=0;i<length;i++) {
Arrays.fill(pre[i], i);
}
}
//显示pre数组和dis数组
public void show() {
for(int[] i:dis) {
System.out.println(Arrays.toString(i));
}
System.out.println();
for(int[] i:pre) {
for(int j:i) {
System.out.print(vertex[j]+"\t");
}
System.out.print("\n");
}
}
public void floyd() {
int len = 0;//保存距离
//对中间顶点遍历,k就是中间顶点的下标[A,B, C,D, E, F, G]
for(int k=0;k<dis.length;k++) {
//从i顶点开始出发[A,B,C,D,E, F, G]
for(int i=0;i<dis.length;i++) {
//到达j顶点//[A,B,C,D, E, F, G]
for(int j=0;j<dis.length;j++) {
len = dis[i][k]+dis[k][j];
if(len<dis[i][j]) {
dis[i][j]=len;
pre[i][j]=pre[k][j];
}
}
}
}
}
//优化
public void floyd1() {
int len = 0;//保存距离
//对中间顶点遍历,k就是中间顶点的下标[A,B, C,D, E, F, G]
for(int k=0;k<dis.length;k++) {
//从i顶点开始出发[A,B,C,D,E, F, G]
for(int i=0;i<dis.length;i++) {
if(dis[k][i]!=FloydDemo.max&&dis[k][i]!=0) {
for(int j=i+1;j<dis.length;j++) {
if(dis[k][j]!=0&&dis[k][j]!=FloydDemo.max) {
len = dis[i][k]+dis[k][j];
if(len<dis[i][j]) {
dis[i][j]=dis[j][i]=len;
pre[i][j]=pre[j][i]=pre[k][j];
}
}
}
}
}
}
}
}
package com.xhl.Floyd;
public class FloydDemo {
public static final int max = 10000;
public static void main(String[] args) {
char[] vertex = new char[] {'A','B','C','D','E','F','G'};
//邻接矩阵表示
int[][] weight = new int[][] {
{0,5,7,max,max,max,2},
{5,0,max,9,max,max,3},
{7,max,0,max,8,max,max},
{max,9,max,0,max,4,max},
{max,max,8,max,0,5,4},
{max,max,max,4,5,0,6},
{2,3,max,max,4,6,0}
};
Graph g = new Graph(vertex, weight, vertex.length);
g.floyd1();
g.show();
}
}
10、马踏棋盘算法
马踏棋盘算法介绍和游戏演示
- 马踏棋盘算法也被称为骑士周游问题
- 将马随机放在国际象棋的8X 8棋盘Board[0~ 7][0~7]的某个方格中,马按走棋规则(马走日字)进行移动。要求每个方格只进入一次,走遍棋盘上全部64个方格
马踏棋盘游戏代码实现
- 马踏棋盘问题(骑士周游问题)实际上是图的深度优先搜索(DFS)的应用。.
- 如果使用回溯(就是深度优先搜索)来解决,假如马儿踏了53个点,如图:走到了第53个,坐标(1,0),发现已经走到尽头,没办法,那就只能回退了,查看其他的路径,就在棋盘上不停的回溯…,思路分析+代码实现
➢对第一种实现方式的思路图解.
- 分析第一种方式的问题,并使用贪心算法(greedyalgorithm) 进行优化。解决马踏棋盘问题.
package com.xhl.composite;
import java.awt.Point;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.Comparator;
public class HorseChessboard {
private static int X=8;//列
private static int Y=8;//行
private static boolean visited[];//标记各个位置是否被访问过
private static boolean finished;//是否所以位置都被访问
private static int[][] chessboard = new int[X][Y];
public static void main(String[] args) {
int row = 5;
int column = 5;//初始行列
visited = new boolean[X*Y];
traversalChessboard(row-1, column-1, 1);
for(int[] rows:chessboard) {
System.out.println(Arrays.toString(rows));
}
}
//* @param row马儿当前的位置的行从0开始
//* @param column马儿当前的位置的列从0开始
//* @param step 是第几步,初始位置就是第1步
public static void traversalChessboard(int row,int column,int step) {
chessboard[row][column]=step;
visited[row*X+column]=true;
//获取当前位置可以走的下一个位置的集合
ArrayList<Point> ps = next(new Point(row,column));
//对ps进行排序,排序的规则就是对ps的所有的Point对象的下一步的位置的数目,进行非递减排序
sort(ps);
while(!ps.isEmpty()) {
Point p = ps.remove(0);
if(!visited[p.y+p.x*X]) {
traversalChessboard(p.x, p.y, step+1);
}
}
//判断马儿是否完成了任务,使用step和应该走的步数比较
//如果没有达到数量,则表示没有完成任务,将整个棋盘置0
//说明:step<X*Y成立的情 况有两种
//1.棋盘到目前位置,仍然没有走完
//2.棋盘处于一个回溯过程
if(step<X*Y&&!finished) {
chessboard[row][column] = 0;
visited[row*X+column]=false;
}else {
finished = true;
}
}
private static void sort(ArrayList<Point> ps) {
ps.sort(new Comparator<Point>() {
@Override
public int compare(Point arg0, Point arg1) {
int count0 = next(arg0).size();
int count1 = next(arg1).size();
return count0-count1;
}
});
}
public static ArrayList<Point> next(Point point) {
ArrayList<Point> ps = new ArrayList();
Point p = new Point();
if((p.x=point.x-2)>=0&&(p.y=point.y-1)>=0) {
ps.add(new Point(p));
}
if((p.x=point.x-1)>=0&&(p.y=point.y-2)>=0) {
ps.add(new Point(p));
}
if((p.x=point.x-2)>=0&&(p.y=point.y+1)<Y) {
ps.add(new Point(p));
}
if((p.x=point.x-1)>=0&&(p.y=point.y+2)<Y) {
ps.add(new Point(p));
}
if((p.x=point.x+1)<Y&&(p.y=point.y-2)>=0) {
ps.add(new Point(p));
}
if((p.x=point.x+2)<Y&&(p.y=point.y-1)>=0) {
ps.add(new Point(p));
}
if((p.x=point.x+1)<Y&&(p.y=point.y+2)<Y) {
ps.add(new Point(p));
}
if((p.x=point.x+2)<Y&&(p.y=point.y+1)<Y) {
ps.add(new Point(p));
}
return ps;
}
}