NOI及NOIP需要知道的与自己的心得.doc

一、（搜索）双向广度搜索 广度搜索虽然可以得到最优解，但是其空间消耗增长太快。但如果从正反两个方向进行广度搜索，理想情况下可以减少二分之一的搜索量，从而提高搜索速度。 范例：有N个黑白棋子排成一派，中间任意两个位置有两个连续的空格。每次空格可以与序列中的某两个棋子交换位置，且两子的次序不变。要求出入长度为length的一个初始状态和一个目标状态，求出最少的转化步数。 问题分析：该题要求求出最少的转化步数，但如果直接使用广度搜索，很容易产生数据溢出。但如果从初始状态和目标状态两个方向同时进行扩展，如果两棵解答树在某个节点第一次发生重合，则该节点所连接的两条路径所拼成的路径就是最优解。 对广度搜索算法的改进： 　　１。添加一张节点表，作为反向扩展表。 　　２。在while循环体中在正向扩展代码后加入反向扩展代码，其扩展过程不能与正向过程共享一个for循环。 　　３。在正向扩展出一个节点后，需在反向表中查找是否有重合节点。反向扩展时　　　　与之相同。 对双向广度搜索算法的改进： 略微修改一下控制结构，每次while循环时只扩展正反两个方向中节点数目较少的一个，可以使两边的发展速度保持一定的平衡，从而减少总扩展节点的个数，加快搜索速度。 二、（搜索）分支定界 　　分支定界实际上是A*算法的一种雏形，其对于每个扩展出来的节点给出一个预期值，如果这个预期值不如当前已经搜索出来的结果好的话，则将这个节点(包括其子节点)从解答树中删去，从而达到加快搜索速度的目的。 范例：在一个商店中购物，设第I种商品的价格为Ci。但商店提供一种折扣，即给出一组商品的组合，如果一次性购买了这一组商品，则可以享受较优惠的价格。现在给出一张购买清单和商店所提供的折扣清单，要求利用这些折扣，使所付款最少。 问题分析：显然，折扣使用的顺序与最终结果无关，所以可以先将所有的折扣按折扣率从大到小排序，然后采用回溯法的控制结构，对每个折扣从其最大可能使用次数向零递减搜索，设A为以打完折扣后优惠的价格，C为当前未打折扣的商品零售价之和，则其预期值为A+a*C，其中a为下一个折扣的折扣率。如当前已是最后一个折扣，则a=1。 对回溯算法的改进： 　　１。添加一个全局变量BestAnswer，记录当前最优解。 　　２。在每次生成一个节点时，计算其预期值，并与BestAnswer比较。如果不好，则调用回溯过程。 三、（hash）KR算法——字符串匹配 KR算法对模式串和循环中每一次要匹配的子串按一定的hash函数求值，如果hash值相同，才进一步比较这两个串是否真正相等。 举例说一下KR算法吧：在我写的这个总结中，各个算法使用的例子都一样，随便找的； 模式串 pattern=pappar 文本串 text=pappappapparrassanuaragh; pattern 长度记 pattern_len 预备阶段就是计算pattern的hash，长度为6，那么hash_pattern=p*2^5+a*2^4+p*2^3+p*2^2+a*2^1+r*2^0 当然，这里使用的是字符的ascii值 也计算text前六个字符的hash，我们记第一个为hash_text[0] 然后就开始向前移动了，在移动时，要重新计算当前与模式串对应的串的hash值，这个工作叫rehash 初始化 i=0 如果 hash_pattern与hash_text[i]相等，返回 i 如果不等 计算新的hash值，就是text[i..i+patten_len]的hash， 当然这里不会像第一次那样全部计算，方法是 上一次计算的值减去上一次匹配时串的第一个字符乘以 2^pattern_len ,然后乘以2，再加上新加入比较的字符值 根据公式可以很清晰看出来。 就是减去计算中的第一项，把剩下的乘以2，然后在末尾加入新增的字符值 四、（图论）Floyd求最小环 floyd求最小环是一种相对效率较高的算法。它的改进算法就是在外层循环n次，每一次都用k作中转点求出一个最短路，为下一次求最小环做好了准备。核心代码如下： min:=1 shl 30; for k:=1 to n do begin for i:=1 to k-1 do for j:=1 to k-1 do if (ij)and(f[i,j]+map[k,i]+map[j,k]min) then min:=f[i,j]+map[k,i]+map[j,k]; for i:=1 to n do for j:=1 to n do if (ij)and(ik)and(kj) and(f[i,k]+f[k,j]f[i,