學(xué)習(xí)算法前，先了解一下五大常用算法，方便后續(xù)歸類總結(jié)及練習(xí)，到達(dá)觸類旁通的效果。

一。分治算法：快速排序、歸并排序、大整數(shù)乘法、二分查找、遞歸（漢諾塔）

基本概念：把一個(gè)復(fù)雜的問題分成若干個(gè)相同或相似的子問題，再把子問題分成更小的子問題… ， 知道最后子問題可以簡(jiǎn)單的直接求解，原問題的解即子問題的解的合并。
看上去有點(diǎn)類似Fork/Join框架，或map-reduce。

排序算法中的快速排序、歸并排序都是使用的分治算法。

分治算法的適用場(chǎng)景：
1）當(dāng)問題規(guī)模縮小到一定的程度就可以很容易解決
2）該問題可以分解為若干個(gè)規(guī)模較小的相同問題
3）該問題分解出的若干子問題的解可以合并為該問題的解
4）每個(gè)子問題都是獨(dú)立的，相互之間沒有交集。

使用分治法的經(jīng)典場(chǎng)景：
1）二分搜索
2）大整數(shù)乘法
3）合并排序
4）快速排序
5）漢諾塔

分治算法經(jīng)典例題：
輸入一組整數(shù)，求出這組數(shù)字子序列和中最大值。也就是求出最大子序列的和，不必求出最大的那個(gè)序列。例如：序列：-2, 11, -1, 13, -5, -2 , 則最大子序列的和為20。

public static void main(String[] args) {int[] a = { -2, 11, -4, 13, -5, -2 };// 最大子序列和為20int[] b = { -6, 2, 4, -7, 5, 3, 2, -1, 6, -9, 10, -2 };// 最大子序列和為16System.out.println(maxSubSum1(a));System.out.println(maxSubSum4(b)); }// 最大子序列求和算法一 public static int maxSubSum1(int[] a) {int maxSum = 0;// 從第i個(gè)開始找最大子序列和for (int i = 0; i < a.length; i++) {// 找第i到j(luò)的最大子序列和for (int j = i; j < a.length; j++) {int thisSum = 0;// 計(jì)算從第i個(gè)開始，到第j個(gè)的和thisSumfor (int k = i; k <= j; k++) {thisSum += a[k];}// 如果第i到第j個(gè)的和小于thisSum，則將thisSum賦值給maxSumif (thisSum > maxSum) {maxSum = thisSum;}}}return maxSum; }// 時(shí)間復(fù)雜度O(n的平方) public static int maxSubSum2(int[] a) {int maxSum = 0;for (int i = 0; i < a.length; i++) {// 將sumMax放在for循環(huán)外面，避免j的變化引起i到j(luò)的和sumMax要用for循環(huán)重新計(jì)算int sumMax = 0;for (int j = i; j < a.length; j++) {sumMax += a[j];if (sumMax > maxSum) {maxSum = sumMax;}}}return maxSum; }// 遞歸，分治策略 // 2分logn，for循環(huán)n，時(shí)間復(fù)雜度O(nlogn) public static int maxSubSum3(int[] a) {return maxSumRec(a, 0, a.length - 1); }public static int maxSumRec(int[] a, int left, int right) {// 遞歸中的基本情況if (left == right) {if (a[left] > 0)return a[left];elsereturn 0;}int center = (left + right) / 2;// 最大子序列在左側(cè)int maxLeftSum = maxSumRec(a, left, center);// 最大子序列在右側(cè)int maxRightSum = maxSumRec(a, center + 1, right);// 最大子序列在中間（左邊靠近中間的最大子序列+右邊靠近中間的最大子序列）int maxLeftBorderSum = 0, leftBorderSum = 0;for (int i = center; i >= left; i--) {leftBorderSum += a[i];if (leftBorderSum > maxLeftBorderSum)maxLeftBorderSum = leftBorderSum;}int maxRightBorderSum = 0, rightBorderSum = 0;for (int i = center + 1; i <= right; i++) {rightBorderSum += a[i];if (rightBorderSum > maxRightBorderSum)maxRightBorderSum = rightBorderSum;}// 返回最大子序列在左側(cè)，在右側(cè)，在中間求出的值中的最大的return max3(maxLeftSum, maxRightSum, maxLeftBorderSum + maxRightBorderSum); }public static int max3(int a, int b, int c) {return a > b ? (a > c ? a : c) : (b > c ? b : c); }// 時(shí)間復(fù)雜度:O(n); 任何a[i]為負(fù)時(shí)，均不可能作為最大子序列前綴；任何負(fù)的子序列不可能是最有子序列的前綴 public static int maxSubSum4(int[] a) {int maxSum = 0, thisSum = 0;for (int j = 0; j < a.length; j++) {thisSum += a[j];if (thisSum > maxSum)maxSum = thisSum;else if (thisSum < 0)thisSum = 0;}return maxSum; }

二。動(dòng)態(tài)規(guī)劃算法

基本概念：將待求解的問題分解為若干個(gè)子問題，按順序求解子問題，前一問題的解，為后一問題的求解提供有用的信息。在求解任一子問題時(shí)，列出各種可能的局部解，通過(guò)決策保留那些有可能達(dá)到最優(yōu)的局部解，丟棄其他局部解。依次解決各種子問題，最后一個(gè)子問題就是初始問題的解。
由于動(dòng)態(tài)規(guī)劃算法解決的問題是有重疊的子問題，為了減少重復(fù)計(jì)算，對(duì)每一個(gè)子問題只解一次，將其不同階段的不同狀態(tài)保存在一個(gè)二維數(shù)組中。
動(dòng)態(tài)規(guī)劃算法以分治算法類似，不同在于：適合于動(dòng)態(tài)規(guī)劃算法求解的問題，經(jīng)分解后得到的子問題，往往不是互相獨(dú)立的，而是下一個(gè)子階段的求解是建立在上一個(gè)子階段的解的基礎(chǔ)上，進(jìn)行進(jìn)一步求解的。

動(dòng)態(tài)規(guī)劃的適用場(chǎng)景
1）最優(yōu)化原理：該問題的最優(yōu)解所包含的子問題的解也是最優(yōu)的。
2）無(wú)后效性：某階段狀態(tài)一旦確定，就不受這個(gè)狀態(tài)以后決策的影響。即某狀態(tài)以后的過(guò)程不會(huì)影響以前的狀態(tài)，只與當(dāng)前狀態(tài)有關(guān)。
3）有重疊子問題：即子問題之間不相互獨(dú)立，一個(gè)子問題的解在下一階段決策中可能被多次使用到。

經(jīng)典問題：
給定兩個(gè)字符串str1和str2，返回兩個(gè)字符串的最長(zhǎng)公共子序列，例如：str1=“1A2C3D4B56",str2=“B1D23CA45B6A”,"123456"和"12C4B6"都是最長(zhǎng)公共子序列，返回哪一個(gè)都行。

分析：這事經(jīng)典的動(dòng)態(tài)規(guī)劃問題，假設(shè)str1的長(zhǎng)度為M, str2的長(zhǎng)度為N, 則生成M*N的二維數(shù)組dp, dp[i][j]的含義是str1[0…i]與str2[0…j]的最長(zhǎng)公共子序列的長(zhǎng)度。

dp值的求法如下：
dp[i][j]的值比如和dp[i-1][j], dp[i][j-1]相關(guān)，結(jié)合下面的代碼來(lái)看，實(shí)際上從第一行和第一列開始計(jì)算的，

public static void main(String[] args) {String A = "1A2C3D4B56";String B = "B1D23CA45B6A";System.out.println(findLCS(A, A.length(), B, B.length())); }public static int findLCS(String A, int Alen, String B, int Blen) {int dp[][] = new int[Alen+1][Blen+1];for (int i = 0; i < Alen; i++) {for (int j = 0; j < Blen; j++) {if (A.charAt(i) == B.charAt(j)) {dp[i + 1][j + 1] = dp[i][j] + 1;} else {dp[i + 1][j + 1] = Math.max(dp[i + 1][j], dp[i][j + 1]);}}}return dp[Alen][Blen]; }

三。貪心算法

貪心算法是通過(guò)局部最優(yōu)解來(lái)達(dá)到全局最優(yōu)解。

下面是一個(gè)可以試用貪心算法解的題目，貪心解的確不錯(cuò)，可惜不是最優(yōu)解。

[背包問題]有一個(gè)背包，背包容量是M=150。有7個(gè)物品，物品可以分割成任意大小。

要求盡可能讓裝入背包中的物品總價(jià)值最大，但不能超過(guò)總?cè)萘俊?/p>

物品 A B C D E F G

重量 35 30 60 50 40 10 25

價(jià)值 10 40 30 50 35 40 30

分析：
目標(biāo)函數(shù)： ∑pi最大

約束條件是裝入的物品總重量不超過(guò)背包容量，即∑wi<=M( M=150)
1）根據(jù)貪心的策略，每次挑選價(jià)值最大的物品裝入背包，得到的結(jié)果是否最優(yōu)呢？
2）每次挑選重量最小的物品裝入背包，是否能得到最優(yōu)解？
3）每次選取單位重量?jī)r(jià)值最大的物品，成為解本地的策略？

貪心算法簡(jiǎn)單易行，但貪心算法需要證明后才能真正運(yùn)用到算法中。一般來(lái)說(shuō)，貪心算法的證明圍繞著整個(gè)問題的最優(yōu)解一定由在貪心策略中存在的子問題的最優(yōu)解得來(lái)的。

對(duì)于本題的三種貪心策略，都無(wú)法成立，即無(wú)法被證明。解釋如下：

1）選取價(jià)值最大者。
反例：W=30
物品：A B C
重量：28 12 12
價(jià)值：30 20 20

根據(jù)策略，選A, 但選BC最合適

2）選取重量最小，反例與上述類似

3）選取單位重量?jī)r(jià)值最大的物品。反例：
W=30
物品：A B C
重量：28 20 10
價(jià)值：28 20 10

根據(jù)策略，三種物品單位重量?jī)r(jià)值一樣，程序無(wú)法依據(jù)現(xiàn)有策略作出判斷，如果選擇A，則答案錯(cuò)誤。

2）貪心算法的經(jīng)典案例：
設(shè)有n個(gè)正整數(shù)，將他們連成一排，組成一個(gè)最大的多位整數(shù)。
例如：n=3時(shí)，3個(gè)整數(shù)13，312，343，連成的最大整數(shù)為34331213。
又如：n=4時(shí)，4個(gè)整數(shù)7，13，4，246，連成的最大整數(shù)為7424613。

要求輸入：n, N個(gè)數(shù)
輸出：連成的多位數(shù)

算法分析：該題很容易想到貪心法，但解題時(shí)很多人把整數(shù)按從大到小的順序連接起來(lái)，測(cè)試題目的例子也都符合，但結(jié)果不對(duì)。例如：我們很容易找到12, 121應(yīng)該組成12121而非12112， 但如12, 123呢，就是12312，而不是12123。所以，通過(guò)整數(shù)排序的方法是不對(duì)的。

結(jié)論：該題可以用貪心算法，只是剛才采用的貪心策略不對(duì)。正確的貪心算法的標(biāo)準(zhǔn)是：先把整數(shù)轉(zhuǎn)成字符串，然后再比較a+b和b+a, 如果a+b >= b+a, 就把a(bǔ)排在b前面, 反之把a(bǔ)排在b后面。

四。回溯算法

基本概念：回溯算法是一個(gè)類似枚舉的搜索嘗試過(guò)程，主要在搜索嘗試過(guò)程中尋找問題的解，當(dāng)發(fā)現(xiàn)已不滿足求解條件時(shí)，就“回溯”返回，嘗試別的路徑。深度優(yōu)先。
回溯算法是一種選優(yōu)搜索法，按選優(yōu)條件向前搜索，以達(dá)到目標(biāo)。當(dāng)搜索到某一步時(shí)，發(fā)現(xiàn)原先選擇并不優(yōu)或達(dá)不到目標(biāo)，就退回一步重新選擇，這種走不通就退回再走的技術(shù)成為回溯法，而滿足回溯條件的某個(gè)狀態(tài)的點(diǎn)成為“回溯點(diǎn)”。

對(duì)于回溯算法的簡(jiǎn)單描述是：把問題的解空間轉(zhuǎn)化為圖或樹的結(jié)構(gòu)，然后使用深度優(yōu)先進(jìn)行遍歷，遍歷過(guò)程中尋找所有可行解，從而找到最優(yōu)解。

其基本思想類似于：圖的深度優(yōu)先搜索；二叉樹的后序遍歷。

回溯法的詳細(xì)描述為：回溯法按深度優(yōu)先搜索解空間樹。首先從根節(jié)點(diǎn)出發(fā)，當(dāng)搜索到解空間數(shù)的某一節(jié)點(diǎn)時(shí)，先利用剪枝函數(shù)判斷該節(jié)點(diǎn)是否可行（即能得到問題的解）。如果不可行，則跳過(guò)對(duì)該節(jié)點(diǎn)為根的子樹的搜索，逐層向其祖先節(jié)點(diǎn)回溯；否則，進(jìn)入該子樹，繼續(xù)按深度優(yōu)先策略搜索。
2. 回溯算法的實(shí)現(xiàn)：遞歸和迭代

回溯算法的經(jīng)典問題：0-1背包問題
有n種物品和一個(gè)背包，第i種物品的重量是wi，其價(jià)值為pi，背包的容量為c. 問：怎樣把物品裝入背包，背包中的物品的總價(jià)值最大。

分析：從n種物品中選擇部分物品，這樣的題目解空間是子集樹。例如，當(dāng)物品的種類數(shù)為3是，其解空間如下圖：

邊1表示選擇該物品，邊0表示不選擇該物品。這樣，這個(gè)樹從根節(jié)點(diǎn)到葉子節(jié)點(diǎn)，包含了把物品放入背包的所有可能性。
回溯搜索過(guò)程，如果來(lái)到了葉子節(jié)點(diǎn)，表示一條搜索路徑結(jié)束，如果該路徑上存在更優(yōu)的解，則保存下來(lái)，如果不是葉子節(jié)點(diǎn)，是中間的節(jié)點(diǎn)（如B）, 就遍歷其子節(jié)點(diǎn)（D和E), 如果子節(jié)點(diǎn)滿足剪枝條件，就繼續(xù)回溯搜索子節(jié)點(diǎn)。

五。分支限界算法

基本概念
類似于回溯法，也是一種在問題的解空間樹T上搜索問題解的算法。但在一般情況下，分支限界法與回溯法的求解目標(biāo)不同。回溯法的求解目標(biāo)是找出解空間樹中滿足約束條件的所有解，而分支限界法的求解目標(biāo)則是滿足約束條件的一個(gè)解，或是從滿足約束條件的解中找出使某一目標(biāo)函數(shù)值達(dá)到極大或極小的解，即在某種意義下的最優(yōu)解。

分支限界法的基本思想是對(duì)有約束條件的最優(yōu)化問題的所有可行解（數(shù)目有限）空間進(jìn)行搜索。該算法在具體執(zhí)行時(shí)，把全部可行的解空間不斷分割為越來(lái)越小的自己（成為分支），并為每個(gè)自己內(nèi)的解的值計(jì)算一個(gè)下界或上界（成為界定）。

在每次分支后，對(duì)凡是界限超出已知可行解值的那些子集不再做進(jìn)一步分支。這樣，解的許多子集（即搜索樹上的許多節(jié)點(diǎn)）就可以不必考慮了，從而縮小了搜索范圍。這一過(guò)程一直進(jìn)行到找出可行解為止，該可行解的值不大于任務(wù)子集的界限，因此這種算法一般可以求得最優(yōu)解。

將問題分支為子問題，并對(duì)這些子問題定界的步驟稱為分支定界法。

知識(shí)附錄：深度優(yōu)先搜索和廣度優(yōu)先搜索

1）廣度優(yōu)先搜索：使用隊(duì)列的先進(jìn)先出

2）深度優(yōu)先搜索：

2. 分支限界法的經(jīng)典問題：旅行售貨員問題

1）問題描述：某售貨員要到若干城市去賣商品，已知各城市之間的路程。他要選定一條從駐地出發(fā)，經(jīng)過(guò)每個(gè)城市一次，最后回到駐地的路線，使總的路程最小。

下圖為1，2，3，4 四個(gè)城市及路線圖，任意兩個(gè)城市之間不一定都有路可達(dá)。

2）問題理解：
分支限界法利用：廣度優(yōu)先搜索和最優(yōu)值策略
利用二位數(shù)組保存圖信息，一旦一個(gè)城市沒有通向另外城市的路，則不可能有回路，不用再找下去了。
我們?nèi)我膺x擇一個(gè)城市，作為出發(fā)點(diǎn)（因?yàn)樽詈蠖际且粋€(gè)回路，從哪出發(fā)都一樣）

3）關(guān)鍵思路：
想象一下，我們就是旅行員，從城市1出發(fā)，根據(jù)廣度優(yōu)先搜索的思路，我們要把從城市1能到達(dá)的下一個(gè)城市，都要作為一種路徑走一下試試。可在程序里面怎樣實(shí)現(xiàn)這種“試試”呢？

答案是：可以利用一種數(shù)據(jù)結(jié)構(gòu)，保存我們每走一步后，當(dāng)前的一些狀態(tài)參數(shù)。比如，我們已經(jīng)走過(guò)的城市數(shù)目（這樣就知道，我們有沒有走完，比如上圖，當(dāng)我們走了四個(gè)城市之后，無(wú)論從第四個(gè)城市是否能回到起點(diǎn)城市，都意味著我們走完了，只是這條路徑合不合約束以及能不能得到最優(yōu)解的問題）。我們把這種保存狀態(tài)參數(shù)的數(shù)據(jù)結(jié)構(gòu)定義成Node。需要另一個(gè)數(shù)據(jù)結(jié)構(gòu)用來(lái)保存我們每次試出來(lái)的路徑，這就是MiniHeap

Node{
int s; //結(jié)點(diǎn)深度，即當(dāng)前走過(guò)了幾個(gè)城市
int x[MAX_SIZE]; //保存走到這個(gè)結(jié)點(diǎn)時(shí)的路徑信息
}
MiniHeap{
//保存所有結(jié)點(diǎn)并提供一些結(jié)點(diǎn)的操作
}
————————————————
版權(quán)聲明：本文為CSDN博主「Shi Peng」的原創(chuàng)文章，遵循CC 4.0 BY-SA版權(quán)協(xié)議，轉(zhuǎn)載請(qǐng)附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/shijinghan1126/article/details/87951372

總結(jié)

以上是生活随笔為你收集整理的五大常用算法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。