算法导论-图算法Part3

 一．分治策略

1．理论介绍：

2．基本步骤：

  1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；

2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；

3合并：将各个子问题的解合并为原问题的解；

3．算法应用：

I. 最大子数组问题()；

II.归并排序()、快速排序(Partition每次都划分得很均匀情况下为)；

二．动态规划

1．理论介绍：

I.两个要素：最优子结构和子问题重叠；
   （1）最优子结构性质：问题的最优解所包含的子问题的解也是最优的；
   （2）子问题重叠性质：递归算法自顶向下对问题进行求解时，每次产生的子问题并不总  

是新问题，有些会被重复计算多次，DP利用子问题的重叠性质，对每一个子问题

只计算一次，然后将其计算结果保存，从而获得较高的效率；

II.通常基于一个递推公式以及一个或者多个初始状态（状态和状态转移方程）；

2．算法应用：

I.凑数问题：面值为1元、3元和5元的硬币若干枚，如何用最少的硬币凑够11元？

     递推公式：，其中，表示 第j个硬币的面值；

II.求最长非降序子序列的长度LIS：

     递推公式：，其中，求就把i前面的各个子序列中， 最后一个数不大于的序列长度加1，然后取出最大的长度即为，若i前面的各个子序列中最后一个数都大于，那么；

III.钢条切割问题：

     递推公式：

IV.最长公共子序列LCS：

LCS的最优子结构：令和为两个序列，为X和Y的任意LCS.

1.如果，则且是和的一个LCS；

2.如果，那么意味着Z是和Y的一个LCS；

3.如果，那么意味着Z是X和的一个LCS；

三．贪心算法

1．理论介绍：

I.基本概念：

II.基本思路：

    1.建立数学模型来描述问题；

2.把求解的问题分成若干个子问题；

3.对每一子问题求解，得到子问题的局部最优解；

4.把子问题的解局部最优解合成原来解问题的一个解；

III.适用问题：局部最优策略能产生全局最优解；

2．贪心算法和动态规划算法比较：

  I.贪心算法作出的每步贪心决策都无法改变，由上一步的最优解推导下一步的最优解，而上一部之前的最优解则不作保留;

  II.全局最优解中一定包含某个局部最优解，但不一定包含前一个局部最优解，因此需要记录之前的所有最优解;

III. 动态规划的关键是状态转移方程, 边界条件是可以直接得出的局部最优解;

四．所有结点对的最短路径问题

1．Floyd-Warshall算法

I.算法思想：

（1）从任意结点i到任意结点j的最短路径存在2种可能：

第一种：直接从i到j；

第二种：从i经过若干个结点k到j；

（2）设Dis(i,j)为结点i到j的最短路径距离，对每个结点k，判断Dis(i,k) + Dis(k,j) < Dis(i,j)是否成立；若成立，证明从i到k再到j的路径比i直接到j的路径短，更新Dis(i,j)，当遍历完所有结点k，Dis(i,j)中记录的便是i到j的最短路径的距离；

（3）Dis(i,j)计算过程中用到子问题的最优解，同时存在子问题重叠；

II递推公式：

 

III.算法伪代码：

FLOYD-WARSHALL(W)

1   n=W.rows

2   D⁽⁰⁾=W

3   for k=1 to n

4      let D^(k)=(d^(k)_ij) be a new n*n matrix

5      for i=1 to n

6          for j=1 to n

7              d^(k)_ij=min(d^(k-1)_ij,d^(k-1)_ik+d^(k-1)_kj)

8              path[i][j]=k

9   return D(n)

（注：矩阵Path记录i,j两点之间最短路径所必须经过的点, 矩阵d^(k)_ij记录结点之间的最短距离，时间复杂度）

五．用于稀疏图的Johnson算法

1.算法思想：

（1）若图G =（V, E）中权值全非负，则对所有结点运行一次dijkstra算法找出所有结点对的最短路径；

（2）若有非负值但无负环路，则由原图转换得到一组新的非负权重值，再使用（1）中的方法计算，将负值权重转换为非负值使用的方法是：

1.在原图上新加一个结点s，并将w(s, v) == 0；

2.对s运行BellmanFord函数计算出s到其他点的最短路径，h[i] =  ,即s到v的最短路径值，即每个结点赋予一个值，用于重新计算边的权重,重新计算出来的权重即为非负值;

2.算法伪代码：

JOHNSON(G,w)

1   compute G'

2   if BELIMAN-FORD(G',w,s)==false

  return "contains a negative-weight cycle"

3   else  

      for each vertex v∈G'.v

              h(v)= computed by the Bellman-Ford

         for each edge(u,v)∈G'.E

             

         let D=(duv)be a new n*n matrix

         for each vertix u∈G.V

              run Dijkstar(G,w',u) to computefor all v∈G.V

              for each vertex v∈G.V

                  d(u,v)= +h(v)-h(u)

（注：使用菲波那挈堆实现Dijkstra，则时间复杂度为，二叉堆实现时间复杂度为）

六．最大流

1.概念和定理：

  I.流网络和流：

（1）容量值c(u,v)，源结点s,汇点t,流f

（2）容量限制,流量守恒
  II.残存网络：残存容量c_f(u,v),残存网络G_f=(V,E_f)

        
  III.增广路径：残存容量c_f(p)

  IV.切割：净流量f(S,T),切割(S,T)的容量

  V.最大流最小切割定理：

       设f为流网络G=(V,E)的一个流，该流网络的源结点为s,汇点为t,则下面条件等价：

      （1）f是G的一个最大流

      （2）残存网络G_f不包括任何增广路径

      （3）|f|=c(S,T),其中(S,T)是流网络G的某个切割

2.Ford-Fulkerson方法：

I.算法思想：

根据最大流最小切割定理
  II.伪代码：

Ford-FulKERSON(G,s,t)

1   for each edge(u,v)∈G.E

2       (u.v).f=0

3   while there exists a path p from s to t in the residual netword G_f

4       c_f(p)=min{ c_f(u,v):(u,v)is in p}

5       for each edge(u,v) in p

6           if(u,v) in p

7              (u,v).f=(u,v).f+ c_f(p)

8           else

9              (v.u).f=(v.u).f- c_f(p)

(注：算法1-2行将流f初始化为0，算法3-9行重复在残存网络G_f中寻找增广路径，

再根据残存容量c_f(p)对路径p上的流f增加，时间复杂度取决于寻找增广路径)

3.Edmonds-Karp算法

I.算法思想：

在Ford-Fulkerson算法的中采用广度优先搜索来寻找增广路径，即从源节点s到汇点t的最短路径，权重为单位距离；

II.时间复杂度分析：O(VE²)；

4.最大二分匹配

I.基本概念：

匹配，最大匹配
  II.寻找最大二分匹配：

（1）多源点多汇点的最大流问题转换为单源点单汇点的最大流问题;
     （2）二分图G中的一个最大匹配数M的基数等于其对应的流网络G’中最大流f值;