常用10种算法(一)

一、二分查找算法(非递归)

1,递归版二分查找算法

  详情请点击

2,非递归二分查找算法介绍

  源码:二分查找(非递归)

  • 二分查找法只适用于从有序的数列中进行查找(比如数字和字母等),将数列排序后再进行查找
  • 二分查找法的运行时间为对数时间 O(㏒₂n) ,即查找到需要的目标位置最多只需要㏒₂n

3,代码实现

public static int search(int[] arr, int val) {
    int left = 0;
    int right = arr.length - 1;
    while (left <= right) {
        int mid = (left + right) / 2;
        if (arr[mid] == val) {
            return mid;
        } else if (arr[mid] > val) {
            right = mid - 1;
        } else {
            left = mid + 1;
        }
    }
    return -1;
}

二、分治算法

  源码:汉诺塔

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。

  分治算法求解的经典问题:二分搜索、大整数乘法、归并排序、快排、汉诺塔等

2,分治算法基本步骤

  分治法在每一层递归上都有三个步骤:

  • 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
  • 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
  • 合并:将各个子问题的解合并为原问题的解。

3,汉诺塔

a)介绍

  如下图所示,从左到右有A、B、C三根柱子,其中A柱子上面有从小叠到大的n个圆盘,现要求将A柱子上的圆盘移到C柱子上去,期间只有一个原则:一次只能移到一个盘子且大盘子不能在小盘子上面,求移动的步骤和移动的次数

          

b)思路

  • 如果只有一个盘时,A -> C
  • 如果有n(大于1)个盘时
    • 把n-1个盘  A -> B (借助C)
    • 把第n个盘 A -> C
    • 把n-1个盘 B -> C (借助A)

c)代码实现

/**
 * 移动盘子
 * @param num  一共有多少个盘子
 * @param a    开始的柱子
 * @param b    辅助的柱子
 * @param c    目标柱子
 */
public static void hanoitower(int num, char a, char b, char c) {

    if (num == 1) {
        System.out.println("第1个盘为: " + a + " -> " + c);
    } else {
        hanoitower(num - 1, a, c, b);
        System.out.println("" + num + "个盘为: " + a + " -> " + c);
        hanoitower(num - 1, b, a, c);
    }
}

三、动态规划

  源码:背包问题

1,介绍

  小灰版动态规划详解

  • 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,背包问题

  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 背包完全背包(完全背包指的是:每种物品都有无限件可用)

3,案例

  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

4,案例分析与求解

  

  代码实现

/**
 * 求解01背包问题
 *
 * @param v 商品的价值
 * @param w 商品的重量(体积)
 * @param c 商品的最大容量
 */
public static void knapsackDim(int[] v, int[] w, int c) {
    //初始化二维数组,行表示商品的体积w 列表示容量从0->c
    int size = w.length;
    int[][] dp = new int[size + 1][c + 1];
    for (int i = 1; i <= size; i++) {
        for (int j = 0; j <= c; j++) {
            //当前商品的体积 大于 容量j 时 直接取上一行的数据
            dp[i][j] = dp[i - 1][j];
            if (w[i-1] <= j) {
                //①dp[i - 1][j - w[i - 1]]为上一行的当前可用体积-当前商品体积  得到减去当前商品重量之后的最大价值 + v[i-1]
                //②dp[i][j]实则为上一行的数据  与①直接比较大小
                dp[i][j] = Math.max(dp[i][j], v[i - 1] + dp[i - 1][j - w[i - 1]]);
            }
        }
    }
}

  优化为一维数组

/**
 * 背包问题优化  使用一维数组
 *
 * @param v 商品的价值
 * @param w 商品的重量(体积)
 * @param c 商品的最大容量
 */
public static void knapsackSingle(int[] v, int[] w, int c) {
    int[] dp = new int[c + 1];
    //第一次初始化dp
    for (int i = 0; i < c + 1; i++) {
        dp[i] = w[0] > i ?  0 : v[0];
    }

    for (int i = 1; i < w.length; i++) {
        //防止前面数据被覆盖,从后往前进行遍历
        for (int j = c; j >=0; j--) {
            if (w[i] <= j) {
                dp[j] = Math.max(dp[j], v[i] + dp[j - w[i]]);
            }
        }
    }
}

四、KMP算法

1,暴力匹配算法

  源码:暴力匹配

a)思路

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:
1) 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 
2) 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 03) 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。

b)代码实现

/**
 * 暴力匹配
 * @param str1  原始字符串
 * @param str2  匹配字符串
 */
public static int violenceMatch(String str1,String str2) {
    //表示字符串str2的匹配的索引位置
    int j;
    for (int i = 0; i < str1.length();) {
        j = 0;
        while (i < str1.length() && j < str2.length() && str1.charAt(i) == str2.charAt(j)) {
            i++;
            j++;
        }
        //将j匹配到最后一个字符
        if (j==str2.length()) {
            return i-j;
        }
        i = i - j + 1;
    }
    return -1;
}

2,KMP算法

  源码:KMP算法

a)思路

  • 寻找最长前缀后缀“ABCDABD”

         

  •  获取next数组

         

    • 将next 数组相当于“最大长度值” 整体向右移动一位,然后初始值赋为-1
    • 若p[k] == p[j],则next[j + 1 ] = next [j] + 1 = k + 1;
    • 若p[k ] ≠ p[j],如果此时p[ next[k] ] == p[j ],则next[ j + 1 ] =  next[k] + 1,否则继续递归前缀索引k = next[k],而后重复此过程。
    • 解释为: 如下图所示,假定给定模式串ABCDABCE,且已知next [j] = k(相当于“p0 pk-1” = “pj-k pj-1” = AB,可以看出k为2),现要求next [j + 1]等于多少?因为pk = pj = C,所以next[j + 1] = next[j] + 1 = k + 1(可以看出next[j + 1] = 3)。代表字符E前的模式串中,有长度k+1 的相同前缀后缀。
    • 但如果pk != pj 呢?说明“p0 pk-1 pk”  ≠ “pj-k pj-1 pj”。换言之,当pk != pj后,字符E前有多大长度的相同前缀后缀呢?很明显,因为C不同于D,所以ABC 跟 ABD不相同,即字符E前的模式串没有长度为k+1的相同前缀后缀,也就不能再简单的令:next[j + 1] = next[j] + 1 。所以,咱们只能去寻找长度更短一点的相同前缀后缀
    • /**
       * 求出一个字符数组的next数组
       *
       * @param p 字符数组
       * @return next数组
       */
      public static int[] getNextArray(char[] p) {
          int[] next = new int[p.length];
          next[0] = -1;
          int k = -1;
          int j = 0;
          while (j < p.length - 1) {
              //p[k]表示前缀 p[j]表示后缀
              if (k == -1 || p[j] == p[k]) {
      //                k++;
      //                j++;
                  next[++j] = ++k;
              } else {
                  k = next[k];
              }
          }
          return next;
      }
  • 基于next数组开始进行匹配
    • P[0]跟S[0]匹配失败。所以执行“如果j != -1,且当前字符匹配失败(即S[i] != P[j]),则令 i 不变,j = next[j]”,所以j = -1,故转而执行“如果j = -1,或者当前字符匹配成功(即S[i] == P[j]),都令i++,j++”,得到i = 1,j = 0,即P[0]继续跟S[1]匹配。
    • P[0]跟S[1]又失配,j再次等于-1,i、j继续自增,从而P[0]跟S[2]匹配。
    • 直到P[0]跟S[4]匹配成功,开始执行此条指令的后半段:“如果j = -1,或者当前字符匹配成功(即S[i] == P[j]),都令i++,j++”。
    • P[1]跟S[5]匹配成功,P[2]跟S[6]也匹配成功, ...,直到当匹配到P[6]处的字符D时失配(即S[10] != P[6]),由于P[6]处的D对应的next 值为2,所以下一步用P[2]处的字符C继续跟S[10]匹配,相当于向右移动:j - next[j] = 6 - 2 =4 位。
    • 向右移动4位后,P[2]处的C再次失配,由于C对应的next值为0,所以下一步用P[0]处的字符继续跟S[10]匹配,相当于向右移动:j - next[j] = 2 - 0 = 2 位。
    •  移动两位之后,A 跟空格不匹配,模式串后移1 位。

    • P[6]处的D再次失配,因为P[6]对应的next值为2,故下一步用P[2]字符C继续跟文本串匹配,相当于模式串向右移动 j - next[j] = 6 - 2 = 4 位。
    • 匹配成功,过程结束。

    • 匹配过程一模一样。也从侧面佐证了,next 数组确实是只要将各个最大前缀后缀的公共元素的长度值右移一位,且把初值赋为-1 即可。

    • /**
       * 对主串s和模式串t进行KMP模式匹配
       *
       * @param s 主串
       * @param t 模式串
       * @return 若匹配成功,返回t在s中的位置(第一个相同字符对应的位置),若匹配失败,返回-1
       */
      public static int kmpMatch(String s, String t) {
          char[] s_arr = s.toCharArray();
          char[] t_arr = t.toCharArray();
          int[] next = getNextArray(t_arr);
          int i = 0, j = 0;
          while (i < s_arr.length && j < t_arr.length) {
              if (j == -1 || s_arr[i] == t_arr[j]) {
                  i++;
                  j++;
              } else
                  j = next[j];
          }
          if (j == t_arr.length)
              return i - j;
          else
              return -1;
      }

五、贪心算法

1,应用场景

  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。

  

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

3,问题求解

a)思路分析

  • 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
  • 使用贪婪算法,效率高
    • 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(采用retainAll方法,将当前集合与选择集合的交集赋值给当前集合)
    • 将这个电台加入到集合中,去除该电台覆盖的地区
    • 重复以上,直至覆盖所有的地区

b)代码实现

public static void main(String[] args) {
    Map<String, Set<String>> map = new HashMap<>();
    Set<String> set1 = new HashSet<>();
    set1.add("北京");
    set1.add("上海");
    set1.add("天津");

    Set<String> set2 = new HashSet<>();
    set2.add("广州");
    set2.add("北京");
    set2.add("深圳");

    Set<String> set3 = new HashSet<>();
    set3.add("成都");
    set3.add("上海");
    set3.add("杭州");

    Set<String> set4 = new HashSet<>();
    set4.add("上海");
    set4.add("天津");

    Set<String> set5 = new HashSet<>();
    set5.add("杭州");
    set5.add("大连");

    map.put("K1", set1);
    map.put("K2", set2);
    map.put("K3", set3);
    map.put("K4", set4);
    map.put("K5", set5);

    Set<String> allAreas = new HashSet<>();
    allAreas.addAll(set1);
    allAreas.addAll(set2);
    allAreas.addAll(set3);
    allAreas.addAll(set4);
    allAreas.addAll(set5);

    //存储选择的key
    List<String> selects = new ArrayList<>();

    //定义此时最大的key
    String maxKey;
    //临时存储的set集合
    Set<String> tempSet = new HashSet<>();
    //如果allArea不为空则一直删除
    while (allAreas.size() != 0) {
        //清空临时set
        tempSet.clear();
//            maxSize = 0;
        maxKey = null;
        for (Map.Entry<String, Set<String>> entry : map.entrySet()) {
            tempSet = entry.getValue();
            tempSet.retainAll(allAreas);
            if (tempSet.size() > 0 && (maxKey == null || tempSet.size() > map.get(maxKey).size())) {
                maxKey = entry.getKey();
            }
        }
        if (maxKey != null) {
            tempSet = map.get(maxKey);
            selects.add(maxKey);
            allAreas.removeAll(tempSet);
            //此时可以将对应的key去除,这样能在遍历map的时候提高效率
            map.remove(maxKey);
        }
    }

    System.out.println(selects);
}

 

posted @ 2021-01-05 15:14  MXC肖某某  阅读(1293)  评论(0编辑  收藏  举报