0第十章++算法分析与设计.pptVIP

讨论 分治策略把问题分成若干个子问题，分成的子问题的数目一般不大。 如果每次分成的各子问题的规模相等或近乎相等的话，则分治策略的效率较高，否则效率就比较低。 例如：直接插入排序（算法8.1）可以看作是把原问题分解成两个子问题，一个是规模为１的问题，另一个是规模为n-1的问题，算法的时间代价是O(n２)级的。 而归并排序把原问题分成了两个大小为n/2的问题，算法的时间代价是O(nlog2n)级的。 10.2.2贪心法 求着色问题近似解的贪心法(greedy) 其基本思想为：先用一种颜色给尽可能多的结点上色，然后再用另一种颜色在未着色的结点中给尽可能多的结点上色，如此反复直到所有结点都被着色为止。 Dijkstra的最短路径算法 求从源点到其它各结点的最短路径 它总是从那些最短路径还不知道的结点中挑选一个到源点最近的结点。 另一采用贪心策略的算法是Kruskal的求最小生成树算法  背包问题：给定ｎ个物体和一个背包，已知物体ｉ的重量为ｗi＞０，价值为pi，背包能容纳物体的重量为Ｍ。要求确定一组分数ｘi（０≤ｘi≤１），能够把物体ｉ的ｘi部分放入背包，使得 最大（即将尽量多的价值装入背包）。 因为： p１/w１＝25/18＝1.38， p２/w２＝24/15＝1.6， p3/w3＝15/10＝1.5， p２/w２＞p３/w３＞p１/w１。 所以首先把物品2全部放入背包，然后考虑物品3，最后如果还有余地考虑物品1。这样得到的结果为（x１，x2，x3）＝（0，1，1/2）， 例如：ｎ＝3，Ｍ＝20， (p1,p2,p3)=(25,24,15), (w1,w2,w3)=(18,15,10) 解背包问题的贪心算法的实现： 其中参数数组p和w中,按p[i]/w[i]的降序分别存放物体的价格和重量；m是背包能放的物体总重量，n是物体件数。x存放解向量。 float knapSack(float* p, float* w, float * x ,float m, int n) { int i=0; float s=0; while(in p[i]m) { m -= w[i]; s += p[i]; x[i] = 1; i++; } if ( in m0 ) { s += p[i]*m/w[i]; x[i] = m/w[i]; i++; } for ( ; in ; i++ ) x[i]=0; return (s); } ? 讨论 贪心法在各个阶段，选择那些在某些意义下是局部最优的方案，但不是每次都能成功地产生出一个整体最优解。 仍然以着色问题为例，如果要着色的图如图10.1所示，采用贪心法，并且按a、b、c、d、e的顺序处理，得到的结果则需要三种不同的颜色：第一种颜色着a和b，第二种颜色着c和d，剩下的e还需要一种颜色才行。 对某些问题，如果只要求得一个与最优解相差不多的次优解就满足要求时，选用贪心法可以帮助我们很快地得到这样的解。 10.2.3 动态规划法 有些问题常常在分解时会产生大量的子问题，同时子问题界限不清，互相交叉，因而可能重复多次解同一个子问题。 解决这种重复的方法：可以在得到每个子问题的解（包括其子子问题的解）时，把解保留在一个表格中，遇到相同的子问题时，就从表中找出来直接使用。这种方法就是动态规划法（Dynamic Programming）。 例10.10　求组合数。我们知道组合数有这样的一个递推式： 每次求解可将其分为两个子问题和。把 按递推式分解得到图10.2的二叉树结构。 例子 本书所见过的运用动态规划法的算法有： 所有结点间的最短路径算法 最佳二叉排序树的构造算法。 例10.10[求组合数]组合数有下面的递推式： 把 按递推式分解 得到的二叉树结构。 首先，将ｍ＝ｎ的位置上以及ｎ＝0的位置上元素皆填为1。填某一中间表目时，只要把它右边表目的元素与右下方表目的元素之和填入即可。这样，很快就能求出 ＝10。 计算组合数的动态规划算法： int combinat(int m,int n){ int i,j; int mat[1000][1000]; if(n==0||m==n)return 1; for(j=0;jn;j++){ mat[0][j]=1; for(i=1;i=m-n;i++) if (j==0) mat[i][j]=i+1; else mat[i][j]=mat[i-1][j]+mat[i][j-1]; } /* 计算Cmn