数据结构与算法：（一）绪论
该系列为清华邓俊辉老师数据结构mooc课程总结，向邓老师致敬！
文章目录
一、计算工具，计算算法，计算优劣
-
eg：计算工具：尺规工具
计算=信息处理 计算模型=计算机=信息处理工具 -
冒泡排序：借助sorted标志 ，可提前退出
void bubblesort1A(int A[], int n) {
bool sorted = false; //首先假定尚未排序
while (!sorted) {
sorted = true; ？//假定已经排序
for (int i = 1; i < n; i++) {
if (A[i - 1] > A[i]) {
swap(A[i - 1], A[i]);
sorted = false; //因整体排序不能保证，清楚排序标志
}
}
n--; //可以缩短待排序序列的有效长度
}
}
- 算法：特定模型下，旨在解决特定问题的指令序列
输入， 输出， 确定性， 单调性， 有穷性 - 核心内容
1 各数据结构的ADT接口及其不同实现
（1）序列（向量，列表，栈，队列）
（2）树及搜索树（AVL树，伸展树，红黑树，B-树，kd-树）
（3）优先队列（堆）
（4）字典（散列表，跳转表）
（5）图的算法与应用
2 构造有效算法模块的常用技巧
（1）顺序与二分查找（2）选取与排序（3）遍历（4）模式匹配（5）散列（6）几何查找
3 算法设计的典型策略与模式
（1）迭代（2）贪心（3）递归（4）分治（5）减治（6）试探-剪枝-回溯（7）动态规划
4 复杂度分析的基本方法
（1）渐进分析与相关记号（2）递推关系（3）递推跟踪（4）分摊分析（5）后向分析
二、复杂度度量
-
算法分析主要关注：正确+成本
-
时间复杂度T(n);特定算法处理规模为n的问题所需的时间，关注最坏情况
-
渐进复杂度（渐进上界）：大O记号
-
空间复杂度：算法所需存储空间的多少，不计入原始输入所占用的空间
三、渐进分析
- O(1) 常数 效率最高
- O(logn) 常底数，常数次幂无所谓 非常有效
- 多项式复杂度，在实际应用中认为是可接受的 O(n^{c} )
- 指数，不可忍受O(2^{n} )
- 层次级别
四、算法分析
- 两个主要任务：正确性（不变性+单调性）+复杂度
- 复杂度分析的主要方法
（1）迭代：级数求和
（2）递归：递归跟踪+递推方程
（3）猜测+验证 - 级数
- 算法分析：迭代
五、递归
迭代乃人工，递归方神通
1线性递归：减而治之
- 减而治之
- 举例：计算任意n个整数之和
int sum(int A[], int n) {
if (n < 1) return 0; //递归基
else
return sum(A, n - 1) + A[n - 1]; //递归：前n-1项和，再累计第n-1项
}
2二分递归：分而治之
- 分而治之
- Example： 求数组所有元素之和
- Example： MAX2，二分递归从数组区间 A[lo,hi] 中找出最大的两个整数。
void max2(int A[], int lo, int hi, int & x1, int & x2)
{
// 递归基, 总共只有 2个/3个 元素
if (lo + 2 == hi) {* ... * ; return;}
if (lo + 3 == hi) {* ... * ; return;}
// 递归过程，分为两组，两边至少2个元素
int mi = (lo + hi)/2;
// 递归
int x1L, x2L;
max2(A, lo, mi, x1L, x2L);
int x1R, x2R;
max2(A, mi, hi, x1R, x2R);
// 每个递归实例所需操作
if (A[x1L] > A[x1R])
{
x1 = x1L;
x2 = (A[x2L] > A[x1R]) ? x2L : x1R;
}
else
{
x1 = x1R;
x2 = (A[x1L] > A[x2R]) ? x1L : x2R;
}
}
六、 主定理
七、动态规划
举例： Fibonacci数列
为使分治策略有效，必须要保证子问题之间相互独立，即各子问题可独立求解，而无需借助其他子问题的原始数据或者中间结果
递归版不能用！
解决方法
具体代码
int fib (int n) {
int f = 1, g = 0; // fib(-1), fib(0)
while (n-->0) {
g = f + g;
f = g - f;
}
return g;
}
实例：一个台阶总共有n级，如果一次可以跳1级，也可以跳2级。求总共有多少总跳法，并分析算法的时间复杂度。
变化：一个台阶总共有n级，如果一次可以跳1级，也可以跳2级…它也可以跳上n级。此时该青蛙跳上一个n级的台阶总共有多少种跳法？
分析:
int jumpFloorII (int number) {
if (number == 0)
return 0;
int f = 1; // fib（1）
for (int i=1; i<number; i++)
f *= 2;
return f;
}
举例：最长公共子序列
递推公式：用 C[i,j]来表示表格中 [Ai,Bj] 处的长度。
参考：https://blog.csdn.net/hrn1216/article/details/51534607
int lcs (string a, string b){
int l1 = a.size();
int l2 = b.size();
int DP[l1+1][l2+1];
memset(DP, 0, sizeof(DP));
for(int i = 1; i <= l1; i++)
for(int j = 1; j <= l2; j++)
if(a[i - 1] == b[j - 1])
DP[i][j] = DP[i - 1][j - 1] + 1;
else
DP[i][j] = max(DP[i][j - 1], DP[i - 1][j]);
return DP[l1][l2];
}
leetcode 300. Longest increasing sequence
Given an unsorted array of integers, find the length of longest increasing subsequence.
Example:Input: [10,9,2,5,3,7,101,18] Output: 4
Explanation: The longest increasing subsequence is [2,3,7,101], therefore the length is 4
参考： https://panxiaoxie.cn/
动态规划常常适用于有重叠子问题[1]和最优子结构性质的问题。
“对于 longest increasing subsequence 里面就存在最优子问题。对于一个序列，每增加一个元素，都可以看作一个子问题。 子问题的解是固定的，但是子问题与当前步的结合又是动态变化的。比如这里，当前 i 位置的值大于 j 的值和小于 j 的值的处理方式就不太一样。我们要做的就是找出这个规律 （递推公式），然后根据填写好的子问题的解的表格，进一步扩大问题规模。”
Optimal Substructure: 设 arr[0…n-1] 为输入数组，L[i]是在第i个位置结束的增加子序列
则L(i) 可以递归的表达： L(i) = 1 + max( L(j) ) where 0 < j < i and arr[j] < arr[i]; or L(i) = 1, if no such j exists. 最终返回 max(L(i)) where 0 < i < n.
class Solution {
public:
int lengthOfLIS(vector<int>& nums) {
if (nums.size() == 0) return 0;
int dp[nums.size()];
dp[0] = 1;
for (int i=1; i< nums.size(); i++){
dp[i] = 1;
for (int j=0; j < i; j++){
if (nums[i] > nums[j] && dp[i] < dp[j]+1){
dp[i] = dp[j] + 1;
}
}
}
return *max_element(dp, dp+nums.size());
}
};
八、三步旋转法与随机打乱
- 三步旋转法
- 随机打乱