算法设计与分析复习要点.doc

·算法是指解决问题的方法和过程。算法是由若干条指令组成的有穷序列。 ·算法特性：输入、输出、确定性、有限性（执行时间和执行次数）（有五个空再加上可行性）。 ·程序是算法用某种程序设计语言的具体实现，程序可不满足有限性的特性。 ·程序调试只能证明程序有错，不能证明程序无错误! ·算法复杂性 = 算法所需要的计算机资源。 ·算法的复杂性取决于：(1)求解问题的规模N；(2)具体的输入数据I；(3)算法本身的设计A。 ·可操作性最好且最有实际价值的是最坏情况下的时间复杂性。 第二章 递归与分治策略 二分搜索技术：O（logn） 大整数乘法：O（nlog3）=O（n1.59） Strassen矩阵乘法：O（nlog7）=O(n2.81) 棋盘覆盖：O（4k） 合并排序和快排：O（nlogn） 线性时间选择：O(n) 最接近点对问题：O(nlogn) 循环赛日程表：O(n2) ·分治法思想：将一个难以解决的问题分割成一些规模较小的相同问题，以便逐个击破，分而治之。 边界条件与递归方程是递归函数的两大要素。 递归优点：结构清晰，可读性强，而且容易用数学归纳法来证明算法的正确性，因此它为设计算法、调试程序带来很大方便。缺点：递归算法的运行效率较低，无论是耗费的计算时间还是占用的存储空间都比非递归算法要多。 ·分治法时间复杂度分析：T(n)= O(1) n=n0 aT(n/b)+f(n) nn0 若递归方式为减法：T(n) = O(an) 若递归方式为除法： f(n)为合并为原问题的开销：f(n)为常数c时：T(n)=O(np) f(n)为线性函数： O(n) ab a是子问题个数，b是递减的步长 T(n)= O(nlogbn) a=b O(np) ab,p=logba f(n)为幂函数nx时： O(nx) af(b) T(n)= O(nplogbn) a=f(b) O(np) af(b),p=logba ·证明算法的正确性：部分正确性、终止性。 ：动态规划 ·当前决策的最优性取决于其后续决策序列的是否最优。动态规划方法可以保证问题求解是全局最优的。 ★·动态规划与贪心算法的比较: 相同点： 都具有最优子结构性质。 不同点： 贪心算法具有贪心选择性质；动态规划算法具有子问题重叠性质，子问题空间小； 动态规划算法通常以自底向上的方式解各子问题；贪心算法则通常以自顶向下的方式进行，以迭代的方式作出相继的贪心选择，每作一次贪心选择就将所求问题简化为规模更小的子问题。 `动态规划通常可以按以下几个步骤进行： (1)找出最优解的性质，并刻画其结构特征； (2)递归地定义最优值； (3)以自底向上的方式计算出各子结构的最优值并添入表格中保存； (4)根据计算最优值时得到的信息，构造最优解。 步骤1~3是动态规划算法的基本步骤。若需要最优解，则必须执行第4步，为此还需要在第3步中记录构造最优解所必需的信息。 第四章：贪心算法（最优子结构、贪心选择性质） ·特点：贪心算法每次选择目前最优的解，即通过一系列局部最优来获得整体最优。 贪心算法只有在具有贪心选择性质时才能保证获得整体最优。 Prim算法（O(n2)）：在连通的情况下选择权值较小的边。 Kruskal算法(O(nlogn))：在无回路情况下选择权值较小的边。 旅行商问题的贪心算法： 基本思想：首先设置一个集合Path和当前节点v，然后不断地用贪心选择来扩充这个集合，直至Path包含所有V中顶点。 贪心选择：如果V–Path中的顶点j是与当前节点v相邻接的顶点中边权最小的，于是就选择j(将j加入Path)，并将j作为新的当前节点 。 初始化：Path中仅含有源v。 活动安排问题： 1、最早开始时间：可以增大资源的利用率。 2、最早结束时间（更合理）：可以使下一个活动尽早开始。 最优装载问题： 基本思想：每次采用重量最轻者优先装入的贪心选择策略 。 贪心算法只有在具有贪心选择性质时才能保证获得整体最优。 ：回溯法（可递归实现也可以迭代