【数据结构与算法】 常用的十大算法
常用的十大算法:
文章目录
- 常用的十大算法:
- 1.二分查找算法(非递归):
- 2.分治算法
- 2.1分治算法介绍
- 2.2 分治算法的基本步骤
- 2.3 分治算法最佳实践-汉诺塔
- 2.4 动态规划算法
- 2.4.1应用场景-背包问题
- 2.4.2 动态规划算法介绍
- 2.4.3 动态规划算法最佳实践-背包问题
- 2.4.4 动态规划-背包问题的代码实现
- 3. KMP算法
- 3.1 应用场景-字符串匹配问题
- 3.2 暴力匹配算法
- 3. 3 KMP 算法介绍
- 3.3.1 KMP 算法最佳应用-字符串匹配问题
- 4.贪心算法
- 4.1 应用场景-集合覆盖问题
- 4.2 贪心算法介绍
- 4.3 贪心算法最佳应用-集合覆盖
- 4.4 贪心算法注意事项和细节
- 5. 普里姆算法
- 5.1 应用场景-修路问题
- 5.2 最小生成树
- 5.3 普里姆算法介绍
- 5.4 普里姆算法最佳实践(修路问题)
- 6.克鲁斯卡尔算法
- 6.1 应用场景-公交站问题
- 6.2 克鲁斯卡尔算法介绍
- 6.3 克鲁斯卡尔算法图解说明
- 6.4 克鲁斯卡尔最佳实践-公交站问题
- 7 迪杰斯特拉算法
- 7.1 应用场景-最短路径问题
- 7.2 迪杰斯特拉(Dijkstra)算法介绍
- 7.3 迪杰斯特拉(Dijkstra)算法过程
- 7.4 迪杰斯特拉(Dijkstra)算法最佳应用-最短路径
- 8.弗洛伊德算法
- 8.1 弗洛伊德(Floyd)算法介绍
- 8.2 弗洛伊德(Floyd)算法图解分析
- 8.3 弗洛伊德(Floyd)算法最佳应用-最短路径
- 9. 马踏棋盘算法
- 9.1 马踏棋盘算法介绍和游戏演示
- 9.2 马踏棋盘游戏代码实现
1.二分查找算法(非递归):
代码:
package com.data.alg;
/*** @Project data_structures* @Package com.data.alg* @author lmy* @date 2020/3/21 15:13* @version V1.0*//*** @author lmy* @ClassName BinarySearchNoRecur* @Description 二分查找算法(非递归)* @date 2020/3/21 15:13**/public class BinarySearchNoRecur {public static void main(String[] args) {int[] arr = {1, 3, 8, 10, 11, 67, 100};binarySearch(arr, 10);}// 二分查找public static int binarySearch(int[] arr, int target) {int left = 0;int right = arr.length;while (left <= right) {int mid = (left + right) / 2;if (arr[mid] == target) {return mid;} else if (arr[mid] > target) {right = mid - 1;}else {left = mid + 1;}}return -1;}}
2.分治算法
2.1分治算法介绍
分治法是一种很重要的算法。字面上的解释是“分而治之”,就是把一个复杂的问题分成两个或更多的相同或相似的子问题,再把子问题分成更小的子问题……直到最后子问题可以简单的直接求解,原问题的解即子问题的解的合并。这个技巧是很多高效算法的基础,如排序算法(快速排序,归并排序),傅立叶变换(快速傅立叶变换)……
分治算法可以求解的一些经典问题
ü 二分搜索
ü 大整数乘法
ü 棋盘覆盖
ü 合并排序
ü 快速排序
ü 线性时间选择
ü 最接近点对问题
ü 循环赛日程表
ü 汉诺塔
2.2 分治算法的基本步骤
分治法在每一层递归上都有三个步骤:
1) 分解:将原问题分解为若干个规模较小,相互独立,与原问题形式相同的子问题
2) 解决:若子问题规模较小而容易被解决则直接解,否则递归地解各个子问题
3) 合并:将各个子问题的解合并为原问题的解。
2.3 分治算法最佳实践-汉诺塔
Ø 汉诺塔游戏的演示和思路分析:
- 如果是有一个盘, A->C
如果我们有 n >= 2 情况,我们总是可以看做是两个盘 1.最下边的盘 2. 上面的盘
先把 最上面的盘 A->B
把最下边的盘 A->C
把 B 塔的所有盘 从 B->C
代码:
package com.data.alg;
/*** @Project data_structures* @Package com.data.alg* @author lmy* @date 2020/3/21 15:44* @version V1.0*//*** @author lmy* @ClassName HannoiTower* @Description 分子算法==汉诺塔问题* @date 2020/3/21 15:44**/public class HannoiTower {public static void main(String[] args) {hannoiTower(3, 'A', 'B', 'C');}// 解决汉诺塔问题public static void hannoiTower(int num, char a, char b, char c) {if (num == 1) {System.out.println("第1个盘从" + a + "->" + c);} else {hannoiTower(num - 1, a, c, b);System.out.println("第" + num + "个盘从" + a + "->" + c);hannoiTower(num - 1, b, a, c);}}}
2.4 动态规划算法
2.4.1应用场景-背包问题
背包问题:有一个背包,容量为 4 磅 , 现有如下物品
要求达到的目标为装入的背包的总价值最大,并且重量不超出
要求装入的物品不能重复
2.4.2 动态规划算法介绍
动态规划(Dynamic Programming)算法的核心思想是:将大问题划分为小问题进行解决,从而一步步获取最优解的处理算法
动态规划算法与分治算法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。
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。 ( 即下一个子阶段的求解是建立在上一个子阶段的解的基础上,进行进一步的求解 )
动态规划可以通过填表的方式来逐步推进,得到最优解.
2.4.3 动态规划算法最佳实践-背包问题
背包问题:有一个背包,容量为 4 磅 , 现有如下物品
要求达到的目标为装入的背包的总价值最大,并且重量不超出
要求装入的物品不能重复
思路分析和图解
背包问题主要是指一个给定容量的背包、若干具有一定价值和重量的物品,如何选择物品放入背包使物品的价值最大。其中又分 01 背包和完全背包(完全背包指的是:每种物品都有无限件可用)
这里的问题属于 01 背包,即每个物品最多放一个。而无限背包可以转化为 01 背包。
算法的主要思想,利用动态规划来解决。每次遍历到的第 i 个物品,根据 w[i]和 v[i]来确定是否需要将该物品放入背包中。即对于给定的 n 个物品,设 v[i]、w[i]分别为第 i 个物品的价值和重量,C 为背包的容量。再令 v[i][j] 表示在前 i 个物品中能够装入容量为 j 的背包中的最大价值。则我们有下面的结果:
- 图解的分析
2.4.4 动态规划-背包问题的代码实现
package com.data.alg;
/*** @Project data_structures* @Package com.data.alg* @author lmy* @date 2020/3/22 11:33* @version V1.0*//*** @author lmy* @ClassName DynamicDemo* @Description 动态规划算法==解决背包问题* @date 2020/3/22 11:33**/public class DynamicDemo {public static void main(String[] args) {int[] w = {1, 4, 3};int[] val = {1500, 3000, 2000};int m = 4;int n = val.length;// 记录商品放入的情况int[][] path = new int[n + 1][m + 1];int[][] v = new int[n + 1][m + 1];// 初始化第一行和第一列for (int i = 0; i < v.length; i++) {v[i][0] = 0;}for (int i = 0; i < v[0].length; i++) {v[0][i] = 0;}for (int i = 1; i < v.length; i++) {for (int j = 1; j < v[0].length; j++) {if (w[i - 1] > j) {v[i][j] = v[i - 1][j];} else {// v[i][j] = Math.max(v[i - 1][j], val[i - 1] + v[i - 1][j - w[i - 1]]);if (v[i - 1][j] < val[i - 1] + v[i - 1][j - w[i - 1]]) {v[i][j] = val[i - 1] + v[i - 1][j - w[i - 1]];path[i][j] = 1;} else {v[i][j] = v[i - 1][j];}}}}for (int i = 0; i < v.length; i++) {for (int j = 0; j < v[i].length; j++) {System.out.print(v[i][j] + " ");}System.out.println();}int i = path.length - 1;int j = path[0].length -1;while (i > 0 && j > 0) {if (path[i][j] == 1) {System.out.printf("第%d个商品放入到背包\n", i);j -= w[i - 1];}i--;}}}
3. KMP算法
3.1 应用场景-字符串匹配问题
Ø 字符串匹配问题::
有一个字符串 str1= ““硅硅谷 尚硅谷你尚硅 尚硅谷你尚硅谷你尚硅你好””,和一个子串 str2=“尚硅谷你尚硅你”
现在要判断 str1 是否含有 str2, 如果存在,就返回第一次出现的位置, 如果没有,则返回-1
3.2 暴力匹配算法
如果用暴力匹配的思路,并假设现在 str1 匹配到 i 位置,子串 str2 匹配到 j 位置,则有:
如果当前字符匹配成功(即 str1[i] == str2[j]),则 i++,j++,继续匹配下一个字符
如果失配(即 str1[i]! = str2[j]),令 i = i - (j - 1),j = 0。相当于每次匹配失败时,i 回溯,j 被置为 0。
用暴力方法解决的话就会有大量的回溯,每次只移动一位,若是不匹配,移动到下一位接着判断,浪费了大量的时间。(不可行!)
暴力匹配算法实现.
代码:
package com.data.alg;
/*** @Project data_structures* @Package com.data.alg* @author lmy* @date 2020/3/23 10:46* @version V1.0*//*** @author lmy* @ClassName ViolenceMatch* @Description 暴力匹配算法* @date 2020/3/23 10:46**/public class ViolenceMatch {public static void main(String[] args) {String str1 = "你中有我,我中有你,但你不是我";String str2 = "有你";int index = violenceMatch(str1, str2);System.out.println(index);}// 暴力匹配public static int violenceMatch(String str1, String str2) {char[] s1 = str1.toCharArray();char[] s2 = str2.toCharArray();int s1Len = s1.length;int s2Len = s2.length;int i = 0;int j = 0;while (i < s1Len && j < s2Len) {if (s1[i] == s2[j]) {i++;j++;} else {i = i - (j - 1);j = 0;}}// 判断是否匹配成功if (j == s2Len) {return i - j;} else {return -1;}}}
3. 3 KMP 算法介绍
KMP 是一个解决模式串在文本串是否出现过,如果出现过,最早出现的位置的经典算法
Knuth-Morris-Pratt 字符串查找算法,简称为 “KMP 算法”,常用于在一个文本串 S 内查找一个模式串 P 的出现位置,这个算法由 Donald Knuth、Vaughan Pratt、James H. Morris 三人于 1977 年联合发表,故取这 3 人的姓氏命名此算法.
KMP 方法算法就利用之前判断过信息,通过一个 next 数组,保存模式串中前后最长公共子序列的长度,每次回溯时,通过 next 数组找到,前面匹配过的位置,省去了大量的计算时间
参考资料:https://www.cnblogs.com/ZuoAndFutureGirl/p/9028287.html
3.3.1 KMP 算法最佳应用-字符串匹配问题
Ø 字符串匹配问题::
有一个字符串 str1= “BBC ABCDAB ABCDABCDABDE”,和一个子串 str2=“ABCDABD”
现在要判断 str1 是否含有 str2, 如果存在,就返回第一次出现的位置, 如果没有,则返回-1
要求:使用 KMP 算法完成判断,不能使用简单的暴力匹配算法.
Ø 思路分析图解
\4. 接着比较字符串和搜索词的下一个字符,还是符合。
\5. 遇到 Str1 有一个字符与 Str2 对应的字符不符合。
6.这时候,想到的是继续遍历 Str1 的下一个字符,重复第 1 步。(其实是很不明智的,因为此时 BCD 已经比较过了, 没有必要再做重复的工作,一个基本事实是,当空格与 D 不匹配时,你其实知道前面六个字符是”ABCDAB”。 KMP 算法的想法是,设法利用这个已知信息,不要把”搜索位置”移回已经比较过的位置,继续把它向后移,这样就提高了效率。)
\7. 怎么做到把刚刚重复的步骤省略掉?可以对 Str2 计算出一张《部分匹配表》,这张表的产生在后面介绍
12.逐位比较,直到搜索词的最后一位,发现完全匹配,于是搜索完成。如果还要继续搜索(即找出全部匹配), 移动位数 = 7 - 0,再将搜索词向后移动 7 位,这里就不再重复了。
\13.
介绍《部分匹配表》怎么产生的先介绍前缀,后缀是什么
“部分匹配值”就是”前缀”和”后缀”的最长的共有元素的长度。以”ABCDABD”为例,
-”A”的前缀和后缀都为空集,共有元素的长度为 0;
-”AB”的前缀为[A],后缀为[B],共有元素的长度为 0;
-”ABC”的前缀为[A, AB],后缀为[BC, C],共有元素的长度 0;
-”ABCD”的前缀为[A, AB, ABC],后缀为[BCD, CD, D],共有元素的长度为 0;
-”ABCDA”的前缀为[A, AB, ABC, ABCD],后缀为[BCDA, CDA, DA, A],共有元素为”A”,长度为 1;
-”ABCDAB”的前缀为[A, AB, ABC, ABCD, ABCDA],后缀为[BCDAB, CDAB, DAB, AB, B],共有元素为”AB”,
长度为 2;
-”ABCDABD”的前缀为[A, AB, ABC, ABCD, ABCDA, ABCDAB],后缀为[BCDABD, CDABD, DABD, ABD, BD,
D],共有元素的长度为 0。
代码实现:
package com.data.alg;
/*** @Project data_structures* @Package com.data.alg* @author lmy* @date 2020/3/23 11:32* @version V1.0*//*** @author lmy* @ClassName KMPAlgorithm* @Description KMP算法匹配字符串* @date 2020/3/23 11:32**/public class KMPAlgorithm {public static void main(String[] args) {String str1 = "BBC ABCDAB ABCDABCDABDE";String str2 = "ABCDABD";int[] kmpNext = getKmpNext(str2);int index = kmpSearch(str1, str2, kmpNext);System.out.println(index);}public static int kmpSearch(String str1, String str2, int[] next) {for (int i = 0, j = 0; i < str1.length(); i++) {while (j > 0 && str1.charAt(i) != str2.charAt(j)) {j = next[j - 1];}if (str1.charAt(i) == str2.charAt(j)) {j++;}if (j == str2.length()) {return i - j + 1;}}return -1;}// 获取一个字符串的部分匹配值public static int[] getKmpNext(String dest) {int[] next = new int[dest.length()];next[0] = 0;for (int i = 1, j = 0; i < dest.length(); i++) {while (j > 0 && dest.charAt(i) != dest.charAt(j)) {j = next[j-1];}if (dest.charAt(i) == dest.charAt(j)) {j++;}next[i] = j;}return next;}}
4.贪心算法
4.1 应用场景-集合覆盖问题
假设存在下面需要付费的广播台,以及广播台信号可以覆盖的地区。 如何选择最少的广播台,让所有的地区都可以接收到信号
4.2 贪心算法介绍
贪婪算法(贪心算法)是指在对问题进行求解时,在每一步选择中都采取最好或者最优**(即最有利)**的选择,从而希望能够导致结果是最好或者最优的算法
贪婪算法所得到的结果不一定是最优的结果(有时候会是最优解),但是都是相对近似(接近)最优解的结果
4.3 贪心算法最佳应用-集合覆盖
假设存在如下表的需要付费的广播台,以及广播台信号可以覆盖的地区。 如何选择最少的广播台,让所有的地区都可以接收到信号
思路分析:
Ø 如何找出覆盖所有地区的广播台的集合呢,使用穷举法实现,列出每个可能的广播台的集合,这被称为幂集。假设总的有 n 个广播台,则广播台的组合总共有
2ⁿ -1 个,假设每秒可以计算 10 个子集, 如图:
Ø 使用贪婪算法,效率高:
目前并没有算法可以快速计算得到准备的值, 使用贪婪算法,则可以得到非常接近的解,并且效率高。选择策略上,因为需要覆盖全部地区的最小集合:
遍历所有的广播电台, 找到一个覆盖了最多未覆盖的地区的电台(此电台可能包含一些已覆盖的地区,但没有关系)
将这个电台加入到一个集合中(比如 ArrayList), 想办法把该电台覆盖的地区在下次比较时去掉。
重复第 1 步直到覆盖了全部的地区分析的图解:
- 代码实现
package com.data.alg;
/*** @Project data_structures* @Package com.data.alg* @author lmy* @date 2020/3/24 10:39* @version V1.0*/import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
import java.util.Map;/*** @author lmy* @ClassName GreedyAlgorithm* @Description 贪心算法==>>覆盖问题* @date 2020/3/24 10:39**/public class GreedyAlgorithm {public static void main(String[] args) {HashMap<String, HashSet<String>> broadcasts = new HashMap<String, HashSet<String>>();HashSet<String> hashSet1 = new HashSet<String>();hashSet1.add("北京");hashSet1.add("上海");hashSet1.add("天津");HashSet<String> hashSet2 = new HashSet<String>();hashSet2.add("北京");hashSet2.add("广州");hashSet2.add("深圳");HashSet<String> hashSet3 = new HashSet<String>();hashSet3.add("成都");hashSet3.add("上海");hashSet3.add("杭州");HashSet<String> hashSet4 = new HashSet<String>();hashSet4.add("天津");hashSet4.add("上海");HashSet<String> hashSet5 = new HashSet<String>();hashSet5.add("杭州");hashSet5.add("大连");broadcasts.put("K1", hashSet1);broadcasts.put("K2", hashSet2);broadcasts.put("K3", hashSet3);broadcasts.put("K4", hashSet4);broadcasts.put("K5", hashSet5);HashSet<String> allAreas = new HashSet<>();for (Map.Entry<String, HashSet<String>> entry : broadcasts.entrySet()) {for (String s : entry.getValue()) {allAreas.add(s);}}// for (String allArea : allAreas) {// System.out.println(allArea);
// }ArrayList<String> selects = new ArrayList<>();HashSet<String> tempSet = new HashSet<String>();String maxKey = null;while (allAreas.size() != 0) {maxKey = null;for (String key : broadcasts.keySet()) {tempSet.clear();HashSet<String> areas = broadcasts.get(key);tempSet.addAll(areas);tempSet.retainAll(allAreas);if (tempSet.size() > 0 && (maxKey == null || tempSet.size() > broadcasts.get(maxKey).size())) {maxKey = key;}}if (maxKey != null) {selects.add(maxKey);allAreas.removeAll(broadcasts.get(maxKey));}}System.out.println(selects);}}
4.4 贪心算法注意事项和细节
贪婪算法所得到的结果不一定是最优的结果(有时候会是最优解),但是都是相对近似(接近)最优解的结果
比如上题的算法选出的是 K1, K2, K3, K5,符合覆盖了全部的地区
但是我们发现 K2, K3,K4,K5 也可以覆盖全部地区,如果 K2 的使用成本低于 K1,那么我们上题的 K1, K2, K3, K5 虽然是满足条件,但是并不是最优的.
5. 普里姆算法
5.1 应用场景-修路问题
Ø 看一个应用场景和问题:
1) 有胜利乡有 7 个村庄**(A, B, C, D, E, F, G)** ,现在需要修路把 7 个村庄连通
2) 各个村庄的距离用边线表示**(权)** ,比如 A – B 距离 5 公里
3) 问:如何修路保证各个村庄都能连通,并且总的修建公路总里程最短**?** 思路**
【数据结构与算法】 常用的十大算法相关推荐
- 数学建模中常用的十大算法
数学建模中常用的十大算法 这里,我们将对数学建模中常用的十大算法做一个简单的梳理,并给出一些可以继续学习的参考Blogs 文章目录 数学建模中常用的十大算法 1.蒙特卡罗算法 2.数据拟合.参数估计. ...
- 数学建模常用的十大算法
1. 蒙特卡罗算法. 该算法又称随机性模拟算法,是通过计算机仿真来解决问题的算法,同时可以通过模拟来检验自己模型的正确性,几乎是比赛时必用的方法. 2. 数据拟合.参数估计.插值等数据处理算法. 比赛 ...
- 第十四章:常用的十大算法
14.4KMP算法 字符串匹配问题: 1. 有一个字符串 str1= "我爱中国中国爱我爱中国",和一个子串 str2="中国爱我": 2. 现在要判断 str ...
- cart算法_机器学习十大算法之一——决策树CART算法
本文始发于个人公众号:TechFlow,原创不易,求个关注 今天是机器学习专题的第23篇文章,我们今天分享的内容是十大数据挖掘算法之一的CART算法. CART算法全称是Classification ...
- 常用的十大算法-迪杰斯特拉算法
介绍 迪杰斯特拉(Dijkstra)算法是典型最短路径算法,用于计算一个节点到其他节点的最短路径,它的主要特点是以起始点为中心向外层扩展(广度优先思想),直到扩展到终点为止. 算法过程 设置出发顶点为 ...
- 数据科学家常用的十大机器学习算法,都在这了!
导语:本文列出了数据科学家使用的十大机器学习算法,并且介绍了这十大算法的特点,供各位机器学习的新人们更好地理解和应用. 文/James Le 译/ 之肴 编辑/ 消失的牛角包 在机器学习领域,有种说法 ...
- 常用十大算法 非递归二分查找、分治法、动态规划、贪心算法、回溯算法(骑士周游为例)、KMP、最小生成树算法:Prim、Kruskal、最短路径算法:Dijkstra、Floyd。
十大算法 学完数据结构该学什么?当然是来巩固算法,下面介绍了十中比较常用的算法,希望能帮到大家. 包括:非递归二分查找.分治法.动态规划.贪心算法.回溯算法(骑士周游为例).KMP.最小生成树算法:P ...
- 常用十大算法_回溯算法
回溯算法 回溯算法已经在前面详细的分析过了,详见猛击此处. 简单的讲: 回溯算法是一种局部暴力的枚举算法 循环中,若条件满足,进入递归,开启下一次流程,若条件不满足,就不进行递归,转而进行上一次流程. ...
- 常用十大算法_KMP算法
KMP算法 FBI提示:KMP算法不好理解, 建议视频+本文+其他博客,别走马观花 KMP算法是用于文本匹配的算法,属于模式搜索(pattern Searching)问题的一种算法,在讲KMP算法之前 ...
最新文章
- POJ2486POJ3659 ——树形动态规划
- keras cnn 代码详解
- c#书写规范之---代码书写规范
- 惊呆了!颜值爆表的20+位阿里技术女神同一时间向你发出共事邀请!
- 2017.7.26 奇怪的道路 失败总结
- Input.GetAxis(Mouse ScrollWheel)控制摄像机视野缩放
- php构建的开源的淘宝客cms程序下载地址总结,采集插件小程序等
- 乐高机器人巡线C语言程序,乐高机器人巡线原理
- Linux-用户操作
- sap 双计量单位_SAP基本计量单位
- Python_爬虫系列_10.各种案例集合
- python如何期货交易_Python期货量化交易实战
- 年产一万吨苹果醋车间布置图、年产50吨羧乙基壳聚糖的工艺设计车间平面布置图、砂石骨料加工系统废水处理车间工艺流程图、氯化苄生产车间平面布置图、年产2000吨聚丙烯腈原丝生产工艺设计车间平面布置图……
- [题解] 洛谷 P3603 雪辉
- QuartusII-引脚分配与下载
- 树莓派一键变身无线路由器
- 伟景行citymaker-----01.javascript打开本地模型CEP,加载目录树,加载要素类
- CTPN文本检测网络
- 大数据ssm项目案例总结
- elasticsearch.yml 配置详解