#算法复习笔记
一 决策和策略
决策是指某阶段状态给定以后，从该状态演变到下一状态某状态的选择；
由每阶段的决策组成的决策函数序列就称为全过程策略，建成策略
二 回溯法使用深度优先（dfs）搜索状态空间树
三 快速排序
基本思想：通过一趟排序将数据分割成独立的两部分，一部分的数据比另一部分的所有数据都小，然后递归知道整个数据为有序数据。
标准（常用）快速排序
基本思路：取第一个为基准数，然后定义两个哨兵分别为该数组第一个和最后一个，暂且定为i和j，首先j找从末尾寻找第一个比基准数小的数，然后j停下来，i从开头寻找第一个比基准数大的数，然后i停下来，如果i和j不相遇则交换i和j所指向的数，然后如果相遇，则将相遇所在的位置和基准数（也就是第一个数）交换，然后此时第一轮就结束了，该数组就会被分为两部分，然后继续递归该过程。
复杂度分析：
最优情况下：每一次的基准数恰好将整个数组平分，此时时间复杂度公示为T(n)=2T(n/2)+n；T(n/2)为平分后的子数组的时间复杂度，n为第一次比较的次数。这个递推公式的时间复杂度为nlogn。计算请参考链接https://blog.csdn.net/w36680130/article/details/81535128
最坏情况下：整个数组正好是倒序,这样就和冒泡排序一样了，时间复杂度正好为n^2
平均情况下：nlogn
随机化快速排序
相比较于标准快速排序，随机化就是每次的基准数都是在数组中随机选取，而不是固定选取第一个元素了，这样能尽可能的避免最坏情况的发生，但是其平局复杂度从长期望上来看仍然是nlogn。
np问题
p：能在多项式时间内解决的问题
np：能在多项式时间内对一个解进行验证的问题
npc：一类np问题的集合
若p2可以转化为p1，那么p1至少和p2一样难，即你会解二元一次方程就会解一元一次方程组
npc问题至少比np问题一样难，因为np问题都可以转化为npc问题。
寻找最大值最小值
对于一个数组寻找最大值或最小值的时间复杂度为n，如果一下子求的话就是2n，最少的次数是3*（n/2），就是先将一对元素进行比较，把较大值和最大值比较，较小值和最小值比较，所以每两个数需要比较三次。
随机算法
Las Vegas算法：
* 采样越多，越有机会找到最优解
* 尽量找最好的，但不保证能找到
* e.g. 100把钥匙，每次找一把，找对的
* 要求必须给出最优解，对采样没有限制
Monto Carlo算法：
* 采样越多，越近似最优解
* 尽量找最好的，但不保证最好
* e.g.100个苹果，每次拿一个，找最大的
* 要求在有限采样内，必须给出一个解，但不是最优解
近似算法
基本概念：很多实际应用问题都是npc问题，这类问题不存在多项式时间算法。一般有以下三种处理方式：
* 如果问题的输入规模较小，可以利用搜索策略在指数时间内解决问题。
* 输入问题较大，既可以考虑用随机算法在多项式时间内“高概率”的精确求解问题
* 也可以考虑在多项式时间内求的问题的一个近似解
性能分析：
* 时间复杂度和空间复杂度：见 精确复杂度
* 近似精度：
* 近似比：设A是一个优化问题的近似算法，A具有近似比（ratio bound） p(n), 如果max{C_C_, CC} ≤ p(n)。其中n是输入大小，C是A产生的解的代价，C是优化解的代价。
* 相对误差：对于任意输入，近似算法的相对误差定义为|C - C|/C,其中C是近似解的代价，C是优化解的代价。
* 相对误差界：一个近似算法的相对误差界为ε(n),如果|C-C|/C ≤ ε(n)。
减治策略
* 减去一个常量：
* 减去一个常量因子
* 减去的规模是可变的
1如果能不断的解决n-1规模的问题就能解决n规模的问题
既可以递归的从上到下求解，也能非递归的从下往上构造
2一般来说减去的一个常数因子是2（即将原问题规模分为2），其实减常因子的减治法可以看做是分治的变种，只不过它只对划分子规模后的一个部分求解。
3对于减可变规模的例子，那就更少了，因为效率越高的算法显然越难找到。
一个例子是欧几里得算法，前面也写过了：
减去一个常量
* 插入排序、折半插入排序 时间复杂度都是n^2
* 拓扑排序 时间复杂度是 V+E
减去一个常量因子
* 折半查找是logn
* 计算两个整数的乘积（其实叫分治更好）
减去的规模是可变的
* 欧几里得算法
* 寻找数组第k大的数，类似于快速排序
* **二叉查找树 logn
* 若二叉树是平衡的，即高度为logn+1，则复杂度为logn
* 若数据是有序的，二叉树的深度最大化为n，退化为顺序查找，时间复杂度为n