典型算法概略

递归法

递归中是将原问题分解为一层层的子问题，与分治相似

递归一般需要定义边界条件，即递归的出口，一般为n=1的时候，当满足边界条件时，立即返回结果；当不满足时，层层递归

典型应用：

1.本身是按照递归的方式来定义的，比如某种函数

2.回朔算法本身可以用递归实现的

3.数据结构，如树、图的遍历

分治法

分治法是将问题分解为规模大致相同的子问题，求解子问题，合并子问题的解，最终得原问题的解。

一般都会用到递归算法，典型问题：.二/四分 搜索技术

问题特征：

1.该问题缩小到一定程度就可以很简单的解决   

2.分解出的子问题具有相同的特征         前提

3.可以合并为原问题的解，                    如果不满足，考虑贪心法和动态规划

4.不包含公共子问题                               如果包含，效率会不高

动态规划

a.常常用于求解最优性质问题； 需要具有最优子结构，即原问题的最优解包含子问题的最优解

b.与分治法一部分相似，都是将问题分解为若干子问题，但子问题不是互相独立的。具有重叠，若单纯的递归，部分子问题会被多次计算

c.结果子问题重叠的方法：用一张表保存被计算过的子问题的解，在需要时取出

算法步骤：

1.找出最优解的性质，刻画他的结构特征

2.递归方法定义最优值，写出动态规划的方程

3.以自底向上的方式计算最优值         其中，备忘录方法采用自顶向下法

4.根据计算最优值时得到的信息，构造最优解

典型应用：

最长公共子序列：找出两个序列中的最长公共子序列

0-1背包问题：物品重量w，价值v，背包容量为W，如何选定物品，使背包总价值最大

贪心算法

在每一步选择中都选择采取在当前状态下最好或最优的选择；希望通过问题的局部最优解来得到全局最优解

与动态规划法的比较：

a.动态规划中，每一步的选择依赖于子问题的解，因此是在解出相关子问题之后再做出选择；自底向上求解子问题；    可回退， 一般用于高维问题

b.贪心算法中。仅在当前算法中做出最好选择，自顶向下，一步步缩小问题规模，可得近似值；每一步都直接影响结果，不可回退，一般用于一维问题

算法步骤：

1.构造候选集A，包含问题所有的可能解

2.构造解集S，不断扩大，直到找到最优解

3.检查函数f。检查解集S是否已经是问题的完整解

4.贪心策略select，从候选集A中选择解，通常与目标函数有关

典型应用：

单源最短路径：带权有向图中，求解源到其他各顶点的最短路径长度

最小生成树：无向全通带权图，即一个网络，包含G的所有顶点的树称为生成树，各边权值最小的生成树称为最小生成树。 prim算法、Kruskal算法

回朔算法

a.是一种搜索的一般策略，一般用于遍历，如深度优先搜索

b.需要明确定义一个问题的解空间，确定易于搜索的解空间结构，如一棵怎样的树

c.以深度优先方式搜索，并且使用剪枝函数避免无效搜索

提高搜索效率的优化方法（剪枝策略）：

1.用约束函数，在生成扩展结点时就剪去（生成时）

2.限界函数剪去经计算得不到最优解的子树（，搜索时比如部分结点和的费用已经大于当前最优了）

典型应用：

1.树的深度优先搜索

2.旅行商（TSP）问题：有n个城市，商人从某一个城市出发，经过每个城市且只有一次，最后回到出发点，求出最短路径

3.n皇后问题：在n*n的棋盘上，放置n个不可以互相攻击的皇后（不在同一行，同一列，同一斜线），

4.流水作业调度：作业、工序、机器、求时间最短

分支限界算法

以广度优先或最小耗费优先的方式搜索问题的解空间。用队列或优先队列存储活结点。

算法策略：

1.每个活结点只有一次机会成为扩展结点，即只扩展一次

2.在子结点中，判断舍弃不可行解和非最优解，其余的加入活结点列表      使用剪枝策略：限界函数

3.在活结点中取下一结点作为扩展结点，并重复以上过程      选择方式有：先进先出（FIFO）；最小耗费/最大收益

与回溯算法比较

a.求解目标不同：回溯算法求解所有满足约束条件的解；                             分支限界算法找出最优解

b.搜索方法：       深度优先                                                                            广度优先

c.存储                  动态产生问题的子空间，保存根节点到扩展结点的路径    队列、优先队列，每个结点只有一次扩展机会

图的搜索算法

深度优先、广度优先