StarMirror/algorithm-in-python

Fork 0

mirror of https://github.com/heqin-zhu/algorithm.git synced 2024-03-22 13:30:46 +08:00

mbinary 3c7f5ab1f6 Add codecog for latex

2019-03-18 00:46:56 +08:00

15 KiB

Raw Blame History

title

1. 算法

定义良好的计算过程,取输入,并产生输出. 即算法是一系列的计算步骤,将输入数据转化为输出结果

2. 可以解决哪些类型的问题

大数据的存储,以及开发出进行这方面数据分析的工具
网络数据的传输,寻路, 搜索
电子商务密码, (数值算法,数论)
资源分配,最大效益
...

3. 算法分析

衡量算法的优劣

$\omicron,O,\Omega,\Theta$
最坏情况, 平均情况
增长的量级 $O(1),O(logn), O(n), O(n^k), O(a^n)$

4. 算法设计

4.1. 分治(divide and conquer)

结构上是递归的, 步骤: 分解,解决, 合并 eg 快排,归并排序

5. 递归式

$T(n) = aT(\frac{n} {b})+f(n)$

5.1. 代换法

5.1.1. 步骤

猜测解的形式
用数学归纳法找出常数

5.1.2. 例子

$T(n) = 2T(\frac{n} {2})+n$ 猜测 $T(n) = O(nlogn)$ 证明 $T(n)\leqslant cnlogn$ 归纳奠基 n=2,3 归纳假设 $T(\frac{n} {2}) \leqslant \frac{cn}{2}$ 递归
$\begin{aligned} T(n) &\leqslant 2c\frac{n}{2}log(\frac{n}{2}) + n \leqslant cnlog(\frac{n}{2}) \ \end{aligned}$

5.1.3. 放缩

对于 $T(n) = 2T(\frac{cn}{2}) + 1$ 如果直接猜测 $T(n) = O (n)$ 不能证明, 而且不要猜测更高的界 $O (n^2)$ 可以放缩为 n-b

5.1.4. 改变变量

对于 $T(n) = 2T(\sqrt{n})+logn$ 可以令 m = logn, 得到 $T(2^m) = 2T(m^{\frac{m}{2}}) + m$ 令 $S(m) = T(2^m)$ 得到 $S(m) = 2S(\frac{m}{2}) + m$

5.2. 递归树

例如 $T(n) = 3T(\frac{n}{4}) + c n^2$ 不妨假设 n 为4的幂, 则有如下递归树

每个结点是代价, 将每层加起来即可

5.3. 主方法(master method)

对于 $T(n) = aT(\frac{n} {b})+f(n)$ $\begin{aligned} T(n)=\begin{cases} \Theta(n^{log_b a}),\quad f(n)=O(n^{ {log_b a}-\epsilon}) \ \Theta(n^{log_b a}logn),\quad f(n)=\Theta(n^{log_b a}) \ \Theta(f(n)),\quad f(n)=\Omega(n^{ {log_b a}+ \epsilon}),af(\frac{n}{b})\leqslant cf(n) \ \qquad \qquad \quad \text{Constantc<1,VariablenArbitrarily-large} \ unknown, \quad others \end{cases} \end{aligned}$

5.3.1. 记忆

直观上, 比较 $n^{log_b a}$ 和 $f(n)$ , 谁大就是谁, 这里的大是多项式上的比较, 即比较次数, 而不是渐近上的比如 $n$ 与 $nlogn$ 渐近上后者大, 但多项式上是不能比较的

5.3.2. 证明

5.3.2.1. 证明当 n 为 b 的正合幂时成立

用递归树可以得到总代价为 $\sum_{j=0}^{log_b n-1} a^j f(\frac{n}{b^j})$
决定上式的渐近界
结合前两点

5.3.2.2. 分析扩展至所有正整数 n 都成立

主要是应用数学技巧来解决 floor, ceiling 函数的处理问题

6. 随机算法

6.1. 随机排列数组(shuffle)

6.1.1. PERMUTE-BY-SORTING

给出初始数组, eg A={1,2,3}, 选择随机的优先级 P={16,4,10} 则得出 B={2,3,1},因为第二个(2)优先级最小, 为4, 接着第三个,最后第1个. 优先级数组的产生, 一般在 RANDOM(1,n^3), 这样优先级各不相同的概率至少为 1-1/n

由于要排序优先级数组, 所以时间复杂度 $O(nlogn)$

如果优先级唯一, 则此算法可以 shuffle 数组应证明同样排列的概率是 $\frac{1}{n!}$

6.1.2. RANDOMIZE-IN-PLACE

# arr: array to be shuffled
n = len(arr)
for i in range(n):
    swap(arr[i],arr[random(i,n-1)])

时间复杂度 $O(n)$ 证明定义循环不变式: 对每个可能的 $A_n^{i-1}$ 排列, 其在 arr[1..i-1] 中的概率为 $\frac{1}{A_n^{i-1}}$ 初始化: i=1 成立保持 : 假设在第 i-1 次迭代之前,成立, 证明在第 i 次迭代之后, 仍然成立, 终止: 在结束后, i=n+1, 得到概率为 $\frac{1}{n!}$

7. 组合方程的近似算法

Stiring's approximation: $n! \approx \sqrt{2\pi n}\left(\frac{n}{e}\right)^n$
对于 $C_n^x=a$ , 有 $x=\frac{ln^2 a}{n}$
对于 $C_x^n=a$ , 有 $x=(a*n!)^{\frac{1}{n}}+\frac{n}{2}$

8. 概率分析与指示器变量例子

8.1. 球与盒子

把相同的秋随机投到 b 个盒子里,问在每个盒子里至少有一个球之前,平均至少要投多少个球? 称投入一个空盒为击中, 即求取得 b 次击中的概率设投 n 次, 称第 i 个阶段包括第 i-1 次击中到第 i 次击中的球, 则第 i 次击中的概率为 $p_i=\frac{b-i+1}{b}$ 用 $n_i$ 表示第 i 阶段的投球数,则 $n=\sum_{i=1}^b n_i$ 且 $n_i$ 服从几何分布, $E(n_i)=\frac{b}{b-i+1}$ , 则由期望的线性性, $E(n)=E(\sum_{i=1}^b n_i)=\sum_{i=1}^b E(n_i)=\sum_{i=1}^b \frac{b}{b-i+1}=b\sum_{i=1}^b \frac{1}{i}=b(lnb+O(1))$ 这个问题又被称为赠券收集者问题(coupon collector's problem),即集齐 b 种不同的赠券,在随机情况下平均需要买 blnb 张

8.2. 序列

抛 n 次硬币, 期望看到的连续正面的次数答案是 $\Theta(logn)$ 记长度至少为 k 的正面序列开始与第 i 次抛, 由于独立, 所有 k 次抛掷都是正面的概率为 $P(A_{ik})=\frac{1}{2^k}$ ,对于 $k=2\lceil lgn\rceil$

9. 摊还分析

9.1. 聚合分析(aggregate analysis)

一个 n 个操作的序列最坏情况下花费的总时间为 $T(n)$ , 则在最坏情况下, 每个操作的摊还代价为 $\frac{T(n)}{n}$

如栈中的 push, pop 操作都是 $O(1)$ , 增加一个新操作 multipop,

def multipop(stk,k):
  while not stk.empty() and k>0:
    stk.pop()
    k-=1

multipop 的时间复杂度为 min(stk.size,k), 最坏情况为 $O(n)$ , 则 n 个包含 push pop multipop 的操作列的最坏情况是 $O(n^2)$ , 并不是这样, 注意到, 必须栈中有元素, 再 pop, 所以 push 操作与pop 操作(包含 multipop中的pop), 个数相当, 所以实际上应为 $O(n)$ , 每个操作的摊还代价为 $O(1)$