update algo analysis
This commit is contained in:
@@ -1,5 +1,4 @@
|
||||
|
||||
### 分治算法
|
||||
# 分治算法
|
||||
|
||||
|
||||
将一个难以直接解决的大问题,分割成一些规模较小的相同问题,各个击破,分而治之。
|
||||
|
||||
@@ -7,22 +7,45 @@ DP通常基于一个递推公式及一个(或多个)初始状态,当前子问
|
||||
|
||||
动态规划算法的关键在于解决冗余,以空间换时间的技术,需要存储过程中的各种状态。可以看着是`分治算法`+`解决冗余`
|
||||
|
||||
使用动态规划算法的问题的特征是`子问题的重叠性`,否则动态规划算法不具备优势
|
||||
使用动态规划算法的问题的特征是`子问题的重叠性`,`最优子结构` ,否则动态规划算法不具备优势
|
||||
|
||||
动态规划算法也可以说是 `记住求过的解来节省时间`
|
||||
|
||||
【初始状态】→【决策1】→【决策2】→…→【决策n】→【结束状态】
|
||||
|
||||
|
||||
动态规划的核心思想就是穷举求最值; 动态规划问题的一般形式就是`求最值`,动态规划其实是运筹学的一种最优化方法,只不过在计算机问题上应用比较多,比如说让你求最长递增子序列呀,最小编辑距离呀等等。
|
||||
### DP 应用场景
|
||||
|
||||
动态规划的核心思想就是穷举求最值; 动态规划问题的一般形式就是`求最值`,动态规划其实是运筹学的一种最优化方法,只不过在计算机问题上应用比较多,比如说:
|
||||
|
||||
* 最长递增子序列 (LIS Longest Increasing Subsequence)
|
||||
* 最小编辑距离
|
||||
* 0-1 背包问题
|
||||
* 凑零钱问题
|
||||
* 股票问题
|
||||
* 接雨水问题
|
||||
* Fibonacci数列
|
||||
* 青蛙跳阶问题: 一只青蛙一次可以跳上1级台阶,也可以跳上2级台阶。求该青蛙跳上一个 10 级的台阶总共有多少种跳法。
|
||||
|
||||
|
||||
### DP VS 分治法
|
||||
|
||||
与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。若用分治法来解这类问题,则分解得到的子问题数目太多,有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案,而在需要时再找出已求得的答案,这样就可以避免大量的重复计算,节省时间。我们可以用一个表来记录所有已解的子问题的答案。
|
||||
|
||||
|
||||
|
||||
## DP 解题模板
|
||||
|
||||
|
||||
####基本步骤
|
||||
|
||||
* 划分问题
|
||||
* 状态
|
||||
* 状态转移方程, 这一步最为困难
|
||||
* 状态压缩
|
||||
|
||||
|
||||
|
||||
### DP 解题模板
|
||||
|
||||
|
||||
```
|
||||
# 初始化 base case
|
||||
dp[0][0][...] = base
|
||||
@@ -35,23 +58,6 @@ for 状态1 in 状态1的所有取值:
|
||||
```
|
||||
|
||||
|
||||
####基本步骤
|
||||
|
||||
1. 划分问题
|
||||
2. 选择状态
|
||||
3. 确定决策并写出状态转移方程
|
||||
4. 写出规划方程
|
||||
|
||||
|
||||
#### 最长递增子序列
|
||||
|
||||
最长递增子序列(LIS Longest Increasing Subsequence)
|
||||
|
||||
|
||||
#### 其它案例
|
||||
|
||||
* 最短路径
|
||||
* 0-1 背包问题
|
||||
|
||||
|
||||
|
||||
|
||||
@@ -1,6 +1,4 @@
|
||||
|
||||
|
||||
## 穷举搜索法
|
||||
# 穷举搜索法
|
||||
|
||||
或者叫蛮力法。对可能的解的众多候选按照某种顺序逐一枚举和检验。典型的问题如选择排序和冒泡排序。
|
||||
|
||||
|
||||
@@ -1,6 +1,4 @@
|
||||
|
||||
|
||||
## 贪心算法
|
||||
# 贪心算法
|
||||
|
||||
不追求最优解,只找到满意解。
|
||||
|
||||
|
||||
@@ -1,5 +1,4 @@
|
||||
|
||||
## 迭代法
|
||||
# 迭代法
|
||||
|
||||
是一种不断用旧值递推新值的过程,分精确迭代和近视迭代。是用来求方程和方程组近似根的方法。
|
||||
|
||||
|
||||
@@ -14,6 +14,13 @@
|
||||
递归运行效率较低,因为有函数调用的开销,递归多次也可能造成栈溢出。
|
||||
|
||||
|
||||
### 其它案例
|
||||
|
||||
* 阶乘计算
|
||||
* 梵塔问题 (三根针1,2,3表示,1号从小到大n个盘子,先要都移到3号上,不能出现大盘压小盘,找出移动次数最少的方案)
|
||||
* 快速排序
|
||||
|
||||
|
||||
|
||||
## 斐波那契数列
|
||||
|
||||
@@ -76,6 +83,7 @@ int fib(int n) {
|
||||
|
||||
|
||||
递归解法
|
||||
```
|
||||
public static LinkedNode mergeSeqLink2(LinkedNode l1, LinkedNode l2){
|
||||
|
||||
if(l1 == null){
|
||||
@@ -96,6 +104,7 @@ public static LinkedNode mergeSeqLink2(LinkedNode l1, LinkedNode l2){
|
||||
```
|
||||
|
||||
非递归解法
|
||||
|
||||
```
|
||||
public static LinkedNode mergeSeqLink(LinkedNode l1, LinkedNode l2){
|
||||
if (l1 == null) return l2;
|
||||
@@ -131,12 +140,6 @@ public static LinkedNode mergeSeqLink(LinkedNode l1, LinkedNode l2){
|
||||
|
||||
|
||||
|
||||
#### 其它案例
|
||||
|
||||
阶乘计算
|
||||
梵塔问题 (三根针1,2,3表示,1号从小到大n个盘子,先要都移到3号上,不能出现大盘压小盘,找出移动次数最少的方案)
|
||||
快速排序
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
Reference in New Issue
Block a user