1. 二分查找算法(非递归)
二分查找算法(非递归)介绍
- 前面我们讲过了二分查找算法,是使用递归的方式,下面我们讲解二分查找算法的非递归方式
- 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(log2n),即查找到需要的目标位置最多只需要log2n步,假设从[0,99]的 队列(100 个数,即 n=100)中寻到目标数 30,则需要查找步数为log2100 , 即最多需要查找 7 次( 2^6 < 100 < 2^7)
代码实现
数组 {1,3, 8, 10, 11, 67, 100}, 编程实现二分查找, 要求使用非递归的方式完成.
public class BinarySearchNoRecur {
public static void main(String[] args) {
//测试
int[] arr = {1,2,8,10,11,67,100};
int index = binarySearch(arr,1);
System.out.println("index="+index);
}
//二分查找的非递归实现
/**
*
* @param arr 要查找的数组 arr是升序排列
* @param target 要查找的目标
* @return 返回对应下标
*/
public static int binarySearch(int[] arr,int target){
int left = 0;
int right = arr.length-1;
while (left<=right){
int mid = (left+right)/2;
if (arr[mid]==target){
return mid;
}else if (arr[mid]>target){
right = mid-1;//需要向左边查找
}else {
left = mid+1;
}
}
return -1;
}
}
2. 分治算法
- 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
- 二分搜索
- 大整数乘法
- 棋盘覆盖
- 合并排序
- 快速排序
- 线性时间选择
- 最接近点对问题
- 循环赛日程表
- 汉诺塔
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。
分治(Divide-and-Conquer(P))算法设计模式如下:
最佳实践-汉诺塔
- 汉诺塔的传说
汉诺塔:汉诺塔(又称河内塔)问题是源于印度一个古老传说的益智玩具。大梵天创造世界的时候做了三根金刚石柱子,在一根柱子上从下往上按照大小顺序摞着 64 片黄金圆盘。大梵天命令婆罗门把圆盘从下面开始按大小 顺序重新摆放在另一根柱子上。并且规定,在小圆盘上不能放大圆盘,在三根柱子之间一次只能移动一个圆盘。
假如每秒钟一次,共需多长时间呢?移完这些金片需要 5845.54 亿年以上,太阳系的预期寿命据说也就是数百 亿年。真的过了 5845.54 亿年,地球上的一切生命,连同梵塔、庙宇等,都早已经灰飞烟灭。 - 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
- 代码实现
/**
* @author DSH
* @date 2020/9/25
* @description 分治算法 解决汉诺塔问题
*/
public class Hanoitower {
public static void main(String[] args) {
hanoiTower(5,'A','B','C');
}
//汉诺塔移动的方法
//使用分治算法
public static void hanoiTower(int num,char a,char b,char c){
//如果只有一个盘
if (num==1){
System.out.println("第一个盘从"+a+"->"+c);
}else {
//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
//1. 先把最上面的所有盘A->B, 移动过程会使用到C
hanoiTower(num-1,a,c,b);
//2. 吧最下边的盘A->C
System.out.println("第"+num+"个盘从"+a+"->"+c);
//3. 把B塔的所有盘从B->C,移动过程使用到A
hanoiTower(num-1,b,a,c);
}
}
}
3.动态规划算法
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
物品 | 重量 | 价格 |
---|---|---|
吉他(G) | 1 | 1500 |
音响(S) | 4 | 3000 |
电脑(L) | 3 | 2000 |
- 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
介绍
- 动态规划(DynamicProgramming)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.
思路分析
- 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
- 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:
(1) v[i][0]=v[0][j]=0; //表示 填入表 第一行和第一列是 0
(2) 当 w[i]> j 时:v[i][j]=v[i-1][j] // 当准备加入新增的商品的容量大于 当前背包的容量时,就直接使用上一个 单元格的装入策略
(3) 当 j>=w[i]时: v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]}
// 当 准备加入的新增的商品的容量小于等于当前背包的容量,
// 装入的方式:
v[i-1][j]: 就是上一个单元格的装入的最大值
v[i] : 表示当前商品的价值
v[i-1][j-w[i]] : 装入 i-1 商品,到剩余空间 j-w[i]的最大值
当 j>=w[i]时: v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]} :
(2) 当 w[i]> j 时:v[i][j]=v[i-1][j] // 当准备加入新增的商品的容量大于 当前背包的容量时,就直接使用上一个 单元格的装入策略
(3) 当 j>=w[i]时: v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]}
// 当 准备加入的新增的商品的容量小于等于当前背包的容量,
// 装入的方式:
v[i-1][j]: 就是上一个单元格的装入的最大值
v[i] : 表示当前商品的价值
v[i-1][j-w[i]] : 装入 i-1 商品,到剩余空间 j-w[i]的最大值
当 j>=w[i]时: v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]} :
- 图解分析
代码实现
/**
* @author DSH
* @date 2020/9/27
* @description 动态规划算法解决背包问题
*/
public class KnapsackProblem {
public static void main(String[] args) {
int[] w = {1,4,3};//物品的重量
int[] val = {1500,3000,2000};//物品的价值, 这里的val[i] 就是v[i]
int m = 4;//背包的容量
int n = val.length;//物品的个数
//创建二维数组,表
//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
int[][] v = new int[n+1][m+1];
//为了记录放入商品的情况,定义一个二维数组
int[][] path = 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;//将第一列设置为0
}
for (int i = 0; i < v[0].length; i++) {
v[0][i] = 0;//将第一行设置为0
}
//根据前面的公式进行冬天规划处理
for (int i = 1; i < v.length; i ++) {
for (int j = 1; j < v[0].length; j++) {
//公式
if (w[i-1]>j){//因为程序中的i是从1开始的 ,因此原来公式中的w[i]修改为w[i-1]
v[i][j] = v[i-1][j];
}else {
//因为程序中的i是从1开始的 ,因此原来公式中的val[i]修改为val[i-1]
// v[i][j] = Math.max(v[i-1][j],val[i-1]+v[i-1][j-w[i-1]]);
//为了记录商品存放到背包的情况,不能简单的使用公式,需要使用if-else来处理
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]];
//把当前的情况记录到path
path[i][j] = 1;
}else {
v[i][j] = v[i-1][j];
}
}
}
}
//输出 看下目前的情况
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();
}
System.out.println();
//输出最后放入的是哪些商品
//遍历path , 这样输出会把所有的放入情况都得到,有数据冗余, 其实我们只需要最后的放入
// for (int i = 0; i < path.length; i++) {
// for (int j = 0; j < path[i].length; j++) {
// if (path[i][j]==1){
// System.out.printf("第%d个商品放入了背包\n",i);
// }
// }
// }
//优化输出
int i = path.length-1;
int j = path[0].length-1;
while (i>0&&j>0){//从path的最后开始找
if (path[i][j]==1){
System.out.printf("第%d个商品放入了背包\n",i);
j -= w[i-1];
}
i--;
}
}
}