观感度：?????

口味：东北一锅出

烹饪时间：10min

本文已收录在Github github.com/Geekhyt，感谢Star。

数据结构与算法系列专栏第四弹来袭，往期专栏链接如下：

初学者一听到算法思想，就会觉得它们高深莫测，只能望而却步。

但如果你看过《事实》这本书，你就不会被大脑中的惯性思维所影响。

只要我们理解算法思想的关键点，多做题练习并加深理解记忆。其实算法思想就像切菜一样简单。

上一篇算法系列专栏中我们搞明白了递归。其实递归这种编程技巧是很多算法的基础。

还看过的同学建议先移步这篇专栏你真的懂递归吗？

比如本文讲到的这几种算法思想，大部分都是基于递归思想基础上的。

一句话理解四种算法思想

分治：分而治之，先解决子问题，再将子问题的解合并求出原问题。

贪心：一条路走到黑，选择当下局部最优的路线，没有后悔药。

回溯：一条路走到黑，手握后悔药，可以无数次重来。(英雄联盟艾克大招无冷却)。

动态规划：上帝视角，手握无数平行宇宙的历史存档，同时发展出无数个未来。

接下来我们一起庖丁解牛，将这几种算法思想一锅炖。

分治算法 Divide and Conquer

分治算法思想很大程度上是基于递归的，也比较适合用递归来实现。顾名思义，分而治之。一般分为以下三个过程：

分解：将原问题分解成一系列子问题。

解决：递归求解各个子问题，若子问题足够小，则直接求解。

合并：将子问题的结果合并成原问题。

比较经典的应用就是归并排序 (Merge Sort) 以及快速排序 (Quick Sort) 等。我们来从归并排序理解分治思想，归并排序就是将待排序数组不断二分为规模更小的子问题处理，再将处理好的子问题合并起来。

上代码。

const mergeSort = function(arr) {

const len = arr.length;

if (len > 1) {

// 对半分解

const middle = Math.floor(len / 2);

const left = arr.slice(0, middle);

const right = arr.slice(middle, len);

let i = 0;

let j = 0;

let k = 0;

// 分别对左右进行排序

mergeSort(left);

mergeSort(right);

while(i < left.length && j < right.length) {

if (left[i] < right[j]) {

arr[k] = left[i];

i++;

} else {

arr[k] = right[j];

j++;

}

k++;

}

// 检查余项

while(i < left.length) {

arr[k] = left[i];

i++;

k++;

}

while(j < right.length) {

arr[k] = right[j];

j++;

k++;

}

}

return arr;

}

复杂度分析

时间复杂度：O(nlogn)

空间复杂度：O(n)

动态规划 Dynamic Programming

LeetCode真题

虽然动态规划的最终版本 (降维再去维) 大都不是递归，但解题的过程还是离开不递归的。新手可能会觉得动态规划思想接受起来比较难，确实，动态规划求解问题的过程不太符合人类常规的思维方式，我们需要切换成机器思维。

使用动态规划思想解题，首先要明确动态规划的三要素。

动态规划三要素

重叠子问题

最优子结构

状态转移方程

重叠子问题

切换机器思维，自底向上思考。

爬第 n 阶楼梯的方法数量，等于两部分之和：

爬上 n-1 阶楼梯的方法数量

爬上 n-2 阶楼梯的方法数量

最优子结构

子问题的最优解能够推出原问题的优解。

状态转移方程

dp[n] = dp[n-1] + dp[n-2]

具备三要素，确认边界条件，初始化状态，开始切菜：

dp[0] = 1

dp[1] = 1

const climbStairs = function(n) {

const dp = [];

dp[0] = 1;

dp[1] = 1;

for (let i = 2; i <= n; i++) {

dp[i] = dp[i-1] + dp[i-2];

}

return dp[n];

};

复杂度分析

时间复杂度：O(n)

空间复杂度：O(n)

优化

在此基础上，我们还可以通过压缩空间来对算法进行优化。因为 dp[i]只与 dp[i-1] 和 dp[i-2] 有关，没有必要存储所有出现过的 dp 项，只用两个临时变量去存储这两个状态即可。

const climbStairs = function(n) {

let a1 = 1;

let a2 = 1;

for (let i = 2; i <= n; i++) {

[a1, a2] = [a2, a1 + a2];

}

return a2;

}

复杂度分析

时间复杂度：O(n)

空间复杂度：O(1)

贪心算法 Greedy

最近某音很火的贪心土味情话

喂，不是吧。今天喝了脉动啊，吃了果冻啊，但是，还是忍不住对你心动啊。

回到算法中，贪心算法是动态规划算法的一个子集，可以更高效解决一部分更特殊的问题。实际上，用贪心算法解决问题的思路，并不总能给出最优解。因为它在每一步的决策中，选择目前最优策略，不考虑全局是不是最优。

LeetCode真题

思路

贪心算法+双指针求解。

给一个孩子的饼干应当尽量小并且能满足孩子，大的留来满足胃口大的孩子

因为胃口小的孩子最容易得到满足，所以优先满足胃口小的孩子需求

按照从小到大的顺序使用饼干尝试是否可满足某个孩子

当饼干 j >= 胃口 i 时，饼干满足胃口，更新满足的孩子数并移动指针 i++ j++ res++

当饼干 j < 胃口 i 时，饼干不能满足胃口，需要换大的 j++

关键点

将需求因子 g 和 s 分别从小到大进行排序，使用贪心思想配合双指针，每个饼干只尝试一次，成功则换下一个孩子来尝试。

复杂度分析

时间复杂度：O(nlogn)

空间复杂度：O(1)

const findContentChildren = function (g, s) {

g = g.sort((a, b) => a - b);

s = s.sort((a, b) => a - b);

let gi = 0; // 胃口值

let sj = 0; // 饼干尺寸

let res = 0;

while (gi < g.length && sj < s.length) {

if (s[sj] >= g[gi]) {

gi++;

sj++;

res++;

} else {

sj++;

}

}

return res;

};

回溯算法 Backtracking

回溯算法本质上就是枚举，使用摸着石头过河的查找策略，还可以通过剪枝少走冤枉路。

LeetCode真题

思路

使用回溯法进行求解，回溯是一种通过穷举所有可能情况来找到所有解的算法。如果一个候选解最后被发现并不是可行解，回溯算法会舍弃它，并在前面的一些步骤做出一些修改，并重新尝试找到可行解。究其本质，其实就是枚举。

如果没有更多的数字需要被输入，说明当前的组合已经产生。

如果还有数字需要被输入：

遍历下一个数字所对应的所有映射的字母

将当前的字母添加到组合最后，也就是 str + tmp[r]

关键点

在for循环中调用递归。

复杂度分析

N+M 是输入数字的总数

时间复杂度：O(3^N * 4^M)

空间复杂度：O(3^N * 4^M)

const letterCombinations = function (digits) {

if (!digits) {

return [];

}

const len = digits.length;

const map = new Map();

map.set('2', 'abc');

map.set('3', 'def');

map.set('4', 'ghi');

map.set('5', 'jkl');

map.set('6', 'mno');

map.set('7', 'pqrs');

map.set('8', 'tuv');

map.set('9', 'wxyz');

const result = [];

function generate(i, str) {

if (i == len) {

result.push(str);

return;

}

const tmp = map.get(digits[i]);

for (let r = 0; r < tmp.length; r++) {

generate(i + 1, str + tmp[r]);

}

}

generate(0, '');

return result;

};

❤️爱心三连击

1.看到这里了就点个赞支持下吧，你的赞是我创作的动力。

2.关注公众号前端食堂，你的前端食堂，记得按时吃饭！

3.本文已收录在前端食堂Github github.com/Geekhyt，求个小星星，感谢Star。