算法导论读后小结(一)

一、分治法(递归算法)

  说明:许多算法在结构上是递归的,为了解决某一问题,算法需要一次或多次递归的调用自身以解决紧密相关的若干子问题,这些算法遵循分治法的思想:将原问题分解为几个规模较小但类似于原问题的子问题,递归的求解这些子问题然后在合并这些子问题的解来建立原问题的解。

  分治模式在每层递归时都有三个步骤:

  1)分解,分解原问题为若干子问题,这些子问题是原问题规模较小的实例。

  2)解决,解决这些子问题,递归的求解这些子问题。当子问题的规模足够小则直接求解。

  3)合并,这些子问题的解构成原问题的解。

时间: 2024-11-08 16:11:00

算法导论读后小结(一)的相关文章

读后小结:《大型网站技术架构:核心原理与案例分析》

浏览<大型网站技术架构:核心原理与案例分析>,然后作了一个小结(下图),作为知识结构梳理,分享大家,并以备参考. PS:需要在新窗口/标签打开,或下载,才可查看原图. 於霄云中心 2015年4月22日 18:12

设计模式读后小结

此处主要是对-**-head first 设计模式-**-这一本书的读后感悟 设计模式一:策略模式 定义:定义了算法簇,分别封装出来,让他们之间可以相互替换,此模式让算法的变化独立于使用算法的客户.page/24 oo原则:封装变化.多用组合,少用继承.针对接口编程,不针对实现编程 感悟:就是将容易变化的具有相似功能部分代码抽取出来,独立的设计成一个接口或者抽象类或者一个父类,然后将每种变化设计成其子类.在原先的类中只保留抽取出来的接口的一个引用,利用类的多态魔法特性,动态的引用需要的方法. 要

《大数据时代》读后小结

"云计算","大数据"的概念风起云涌,一时貌似所有的人都成了"大数据专家",多多少少都能侃两句,为了适应时代的发展,抽时间看了看<大数据时代>,简单谈一下自己的理解. 大数据的核心就是预测,通过历史数据预测未来.它通常被视为人工智能的一部分,或者更确切地说,被视为一种机器学习.然而对大数据的分析方式与人们的传统思维还是有很大转变的. 第一个转变就是在大数据时代,我们可以分析更多的数据,有时候甚至可以处理和某个特别现象有关的所有数据,而

统计学习方法读后小结(1)

一.损失函数和风险函数 损失函数(loss function)是度量模型一次预测的好坏,风险函数度量平均意义下模型预测好坏. 期望风险是模型关于联合分布的期望损失,经验风险是模型关于训练样本集的平均损失.根据大数定理,当样本容量N趋于无穷大时,经验风险Remp趋于期望风险Rexp.当用经验风险去预测期望风险时,要对经验风险进行一定的矫正,经常使用的是监督学习的经验风险最小化.结构风险最小化.两种方法.

算法导论6:排序小结和最值取法 2016.1.6

今天想做测试各个排序算法运行时间比较的程序,来对这几天学的排序算法小结一下.所以我先生成了1000000个1~150之间的随机数存到文件里.然后做了一个测试运行时间的程序.想看一下结构.但是结果效果并不太好.实践中,自己做的qsort函数和mergesort函数并没有理想中的那么快. 结果是这样:(可能并不准确,但却是是运行结果) 库函数快速排序:0.139000 seconds自制快速排序:0.375000 seconds归并排序:0.358000 seconds堆排序:0.525000 se

《算法导论》读书笔记--为什么要读

以前一直想读一遍<算法导论>,不过由于自己犯懒一直没有开始.前两天报一个实习的测试,小算法都不会写,感觉比较糟糕,意识到应该开始读算法了. 作为数学系的人,虽然没有学过数据结构和算法,不过想来好好读不会很难:加上自己对于语言的基础太差,有不忍直视的"码力",学算法正好又能顺便用一遍c++,一举两得. 那么为什么要写博客呢?首要的当然是自我监督,其次,写的博客可以作为非常珍贵的资料,用于以后的复习. 下面说说打算怎么读:1.把每一部分都读懂 2.把关键点提取出来写成笔记 3.

算法导论小结(一)

用了几个月磕磕绊绊的总算把<算法导论>一书看完了,在此写篇博客总结一下学习到的知识. 首先先放上<算法导论>的思维导图: 由于本人的理解能力有限,故部分较难懂的内容没有加入到该思维导图中. 1.排序 排序问题是我们日常生活中经常遇到的一个问题,因此算法导论也把排序作为整个算法介绍的入门篇.在这么多排序算法里面,目前经典的排序算法有以下几种: 1.插入排序 对于少量元素的排序,插入排序是一个有效的算法.它的工作方式就像我们排序扑克牌一样,每次把一张新的扑克牌插入到已经排好序的序列中.

定位算法及算法导论小结

一.电子围栏定位算法: 还是决定不做定位算法了,原因有下: 1.文献[1]中利用线性算法解决了TDOA问题(四个观测点以上),文献[2]中将AOA算法的形式也纳入进来.多个直线的交点就是待测点的位置.如果考虑单点是否在围栏内部,之前做的假设是,定位单点的算法复杂度高,但这两篇文献中说明的是:理论上是线性的,很简单.根据四个及以上观测量可将问题变成线性问题求解的后续扩展思路是,1结合新的应用场景和实际数据,得到算法应用的结果测试,像文献[3]就在车联网中应用了这个定位算法,但是实测数据我现在很难拿

《算法导论》图相关算法小结

最近又抽空读了一遍<算法导论>,关于图的内容贯穿了多个章节(比如在动态规划一章埋了无权最短路径的伏笔,后面才专门讲),适用条件各异,而且都有证明过程. 如果不打算熟记证明,仅仅是应用,遇到具体场景再去回忆适用于哪种算法不太方便. 以下内容以手头的机械工业出版社基于原书第2版的译本整理了一下,便于速查. 不包含思考题.标注为"*"的章节和习题内容. 符号定义 一般地, 图G=(V, E),其中V代表顶点集合,E代表边集合.ω(u, v)代表从顶点u到顶点v的边的权值. 如果ω