2014年我研究生毕业找工作时候认认真真看了一遍编程之美,刚好这段时间整理自己以前写的东西,就将当时的学习笔记整理成文。
让CPU占用率曲线听你的指挥
- 合理的使用win api来控制时间
- 使用while循环不停的查询当前的时间,然后控制sleep的时间,从而达到 控制时间利用率的方式。
中国象棋将帅问题
- 当一个问题的状态非常有限的时候,可以想到用编码的方式来表示所有的解。
- 同时,使用位运算的方式来对所有的编码数据进行分析
比如这里下棋问题,将的位置只有9个,所以如果用4bit的数字就可以编码表示, 如果需要考虑两个状态,那么只需要8bit的数据就可以了。
如何使用位运算得到下一个状态,一个简单的方法:
// 得到b当前的数值,然后加一数据,用位运算或的方式,设置b的数值 |
翻转烙饼问题
这是一个深度搜索的方法,重点在于如何有效的控制搜索的逻辑。
下面代码是一个搜索流程框架:
void search(int cur_step) |
max_step初始值表示为upper_bound表示搜索的上届,可以用一个最简单暴力的方式 的数值来表示.如果一个非常naive的方法可以得到的数值作为upper_bound, 那么深度搜索如果没有得到比naive更好的结果, 就不需要搜索了. (这是一种计算上 界的方式)
lower_bound也非常的关键,如果当前的一个格局下至少需要的step数目是知道的,那么 就可以在当前的状态下直接判断出是否可以达到最优解,否则的话直接剪枝操作。
这里给出的计算lower_bound的思路何有启示性:如果相邻的烙饼的数值不是相邻的, 那么表示至少需要一次翻转。对于排序的东西而言,就是将无序变为有序的过程,所以 相邻元素之间如果不是相邻的(大一个数值和小一个数值都算ok),那么至少需要 一次的翻转。
搜索还有一种提高速度的方法,就是将当前格局结果进行保存,如果需要保存格局:
- 将格局按照进行编码,比如这里可以将当前格局下烙饼的序号表示成一个字符串作为map的key键值.
- 代码也需要进行改变用来保存当前格局下最好的格局step数目.
// 需要加上一个返回值,表示当前search可以得到的最好结果。 |
买书问题
这里主要学习到的是: 如何进行动态规划的等价转换。
比如这里对于买不同的五种书问题,假设F(A1,A2,A3,A4,A5)表示为买第 i
种书 Ai
数量时候的最优价格,
那么由于不同的五种书的价格是一样的,所以在A1-A5出现的数量集合固定的时候,不论A1-A5如何进行排列,都是相同的数值,所以这里用到了第一种等价:
所有的结果都可以等同于一种结果,用 A1>=A2>=A3>=A4>=A5 的形式来表示。
第二个等价问题,如果出现了买4套书的情况,可能出现的各种选择中,也是等价的。 就是F(A1-1,A2-1,A3-1,A4-1,A5)等价于F(A1-1,A2-1,A3-1,A4,A5-1),这个可以用 一种假设的方式证明:
如果出现了A的状况,那么可以通过适当的转换表示B和A可以得到同样的结果,那么 就可以说明,每次按照B的方式来获取都是通用的。
快速找出故障的机器
本质上属于寻找不变量的问题,在一堆的数据中寻找丢失的数字,那么这个数字可以用不变量的 思想来解决。
预先计算好所有数据的总和,如果其中一个数据缺失了,那么用当前的总和和之前的 总和进行相减就得到了去掉的数值。
如果有多个数值呢: 那么在加入一个不变量,比如可以保存所有数据的平方和。
饮料供货问题
这是一个典型的DP问题,一个很重要的启示:
DP问题是有排序的概念,比如这里使用多个数据进行旋转,需要将买的物品进行排号, 按照次序的顺序选择,但选择第i个情况表示的是从第一个物品到第i个物品之间的所有 的情况,这样子就可以顺成的记录下所有的情况下物品旋转情况。
解决DP问题的两种思路:
- 填表的方式,因为DP是按照一定的下表顺序进行,所以按照下表的方式来计算,只用循环 就可以得到正确的结果,甚至是使用滚动数组的方式来减小空间实用率。
- 备忘录方法
这种方式本质上就是填表,但是使用递归的方式来实现,在递归调用的时候,填写表格, 同时更新表格的状态,如果以后的递归中发现表格已有数据,就直接返回。
一种大致的结构:
cal_max(int n) { |
但这里更加nb的地方在于直接使用题目的特殊条件:所有的饮料的容量都是2的幂数。 基于二进制的表示可以直接从二进制分解的角度来考虑。每一2的幂数的饮料都可以通过 别的低一阶的幂容量的饮料来混合。
wrap up
- 单纯的搜索dfs, 时间复杂度是指数级别.
- 使用备忘录方法的搜索dfs, 需要:
- 当前的dfs可以方便的保存当前的搜索状态.
- dfs过程中子结构之间具有独立性. 比如给定一定的条件, 子结构计算结果是唯一的, 不会因为当前dfs的选择而影响了计算子结构的最优结果. (比如有的计算, 当前决策选择 了x, 那么其子结构的最优解也需要受到x的影响, 那么x也是影响子决策的, 这样子dfs不是 独立的)
如果符合上面的要求, 一般就可以表示为DP的方法, 两者是同质的, 只是呈现的计算形式不同而已.
搜索, 最值的题目想到使用三种计算方式:
- DP
- 备忘录
- dfs
小飞的电梯调度算法
电梯的调度问题看似一个复杂的问题,但在其中包含了一层线性的关系。 可以先从分析两个楼层开始,如果选择楼层A和楼层B,那么可以比较出在什么情况下选择 楼层A,在什么情况下选择楼层B,而这种线性的选择又是顺序的,就是一旦确定了一种选择, 那么下一种的选择也同样可以线性的判断,该问题具有连续性
所以,算法就简单了,使用既定的准则依次判断,如果B优于A,将电梯不停向上走,否则停止。
高校的安排见面会
建立合适的图模型非常的nb,这里如果由一个同学需要同时看到两个见面会,那么对应的见面 会就不可以安排在一起,如果将见面会看做是两个顶点的话,那么顶点之间的连线就表示两个顶点 之间不能同时被安排,这就转换为了最小着色问题,最小着色问题的一种启发式解决方法:
尝试使用K中颜色,从K为1开始逐渐增大,直到一种可行解为止。
同时这里扩展问题中给出的时间安排是一系列的区间,区间的问题就比较特殊,当然也可以用 图模型求解,但是区间是一种线性概念,可以使用贪心的方式求解。
这里转化为了两个问题:
- 如果需要知道什么场合安排在什么位置,就是使用什么颜色,按照贪心的策略,将开始的 时间从小到大排序,然后依次看使用什么颜色即可。
- 如果只是需要知道需要安排多少的场合,就转换为多个区间时间求解最大overrlap数量 的问题,可以将所有的时间进行排序,如果进入了一个开始时间,那么ovverlap区域数量加一, 如果进入了一个结束时间,那么overlap数量减一。
多线程高效下载问题
使用两个线程,一个负责读取,一个负责写入,这里是一个典型的读写问题,需要使用到信号量, 一个表示是否还有空闲区间的信号量,一个表示是否还有读取空间的信号量,实现的时候几点:
- 两个信号量交替这在一个线程中使用
- 线程多写成while(true)的形式,在while循环中感觉一定的逻辑判断是否需要停止计算。
- 缓冲区由于是使用"顺序写入顺序读取的方式",可以使用循环队列。
- 信号量没有循环之说,只有信号数量之说。
大体的程序如下:
const int BUFFER_COUNT = 300; |
拈石头游戏
题目1
两人的游戏考虑使用对称的想法,对称在数值上可以考虑使用二进制的表示, 因为单独的一个数据你看不到对称的东西,如果转换到二进制上面,只有0和1, 就可以方便的看到一个数据再某一个位置上面是否由其中一个数值。
这里有一个结论:
1. 如果一堆数据xor(m1, m2, m3.., mn)==0 那么可以改变一个数字使得 |
一旦得到xor为零的情况,那么先取的人不论选择什么,后选的人都可以对称的选择, 最后的结果就是后选的人必然在最后去光所有的元素。
这里如何计算使得xor!=0的情况变为xor==0的情况:
1. res = xor(m1, m2, m3... mn); |
对于上面的计算,就是将res中对应1的部分在mi中的某一位上改变,可能是将mi中的某 一位的1变为了0(该二进制上1去掉,这个就是直接拿掉该元素即可),同时也可能将 mi中的某一位的0变为1。
比如:
1001 |
那么需要将1001的第一个1变为0,第4个1变为0,同时第三个0变为1. 这就是直接和异或的结果再异或的结果,异或运算有表示减法的逻辑功能。
这里一定要选择最大的元素,因为去掉1是没有问题的,但是将0变为1却可能将数值变大。 如果选择最大的元素,那么res中最大位的1一定处在这个元素上,将最大的1去掉,后面 的0再变为1就不会导致最后的数字是增大的。
题目2
如果存在两堆的石头,每人每次只可以在两堆石头中各取出数量相同的石头,或者 仅从一堆石头中取出任意数量的石头,最后将石头一次拿光的人获胜。
这种格局问题都可以采用一种选择的方式来去掉那些不符合要求的格局:
1. 假设一个格局(m,n)对于第一个选择的人而言必胜,那么叫做必胜的格局 |
从概率上来说,必胜格局更多一些,因为一旦得到一个必输的格局,那么所有可以一次转换 得到该格局的状态都叫做必胜的格局。但是一个必输格局,必须所有状态转换之后都是 胜利的格局才可以。
所以这里采用一种从简单分析的方法,首先所有的(n,n)状态都是必胜的格局,所以 可以去掉(1,1),(2,2),(3,3)等,下面的格局就是(1,2)这里用到一个假设, 由于相同的状态下没有顺序,所以 (a,b) 和 (b,a) 是一样的,所以一致假设a<b.
那么分析(1,2)是一种必输的格局,从而引出了(1,n)(2,n)(1+n,2+n)都是必胜的格局(因为都可以 通过一次操作得到(1,2)的格局),那么分析下一个没有被选择掉的格局就是(3,5), 分析得到这个也是一个必输的格局(没有被选择掉的都是必输的格局),于是(3,n)(5,n)(3+n,5+n) 的所有状态都是安全的,下一个就是(4,7)
(对称的考虑, 在还原到具体情况下也需要变为对称)
这样可以得到一个结论,如果一个局面(a,b)可以由下面的定义得到,那么就是一个必输格局,否则必胜。
1. a1 = 1, b1= 2 |
也可以看到(a,b) 构成的所有集合是一个对于2n个数的划分,使用下面的数学方法:
1. 如果无理数 1/a + 1/b = 1,则 [a*n] 和 [b*n] 构成N的划分,其中n=1,2,3...N,[x]表示对x向下取整。 |
连连看游戏
本质是求解如何计算相同图像之间的最短路径。不同在于,这里的最短路径使用最短转弯 数目来表示。
使用广度优先搜索的方法来计算:
1. 将从A节点可以一次转弯到达的节点放入队列Q中 |
去掉处理过的节点有两种方式:
1. 使用节点访问表格,如果一个节点已经到达过了,那么记录该节点已经使用, |
还有一个关键问题,在同样的crossing的情况下,如何保证最小的连线路径,这里 使用同样的方式,使用两个数据来记录最小值,一个是表示最小的crossing数值, 一个表示最小的dist数值:
// 这里假设当前的节点从X一次连线到Y |
这种动态更新记录的方式表示: 遍历到第i次最多通过i节点的连接可达的最小距离.
构造数独
构造数独使用深度优先搜索的方法来解决。
- 首先对第一个可能的位置的所有情况遍历,如果当前点还有任何的可以放置的数字, 那么选择该数字,同时进行下一个点的放置。
- 如果当前点没有任何可以放置的数字,那么取消当前点的所有内容(比如清空 当前放置数字),然后回溯到上一个节点上继续进行处理。
- 直到所有数字都处理完成为止。
深度优先搜索比较直观的方式使用递归加以实现:
bool f(int n) { |
一般使用递归的地方方便在于,如果当前的状态不可以得到有效结果,直接返回, 程序就返回到上一层处理逻辑中,达到回溯的效果。
如果我们可以直接知道第n层和第n+1层处理之间的关系,就可以不适用递归,而是直接 使用循环的方式,比如这里计算n+1层就是表示处理下一个点,对于9*9的数独而言,就是 按照行排序的方式计算下一个点,但下一个点不能处理的时候,可以得到上一个计算 点的位置(这个是重点,回溯可以直接计算出第n层计算的信息,这样子就不用使用递归 的栈来保存信息,提高了速度和内存使用)
比如这里的一个控制代码:
bool build() |
这里需要注意的是,需要手动的回到之前的状态,以及处理好当前的状态。
一个完整的代码:
const int MAX_SIZE = 9; |
24点游戏
题目描述:给出四个数字,计算是否可以得到一种运算方式使得最后的运算结果为24
对于解空间搜索问题,有几种思路:
- 暴力搜索,将所有可能的情况都分析一遍
- 将解空间划分为更小的解空间,然后在分析完更小的解空间之后,将子空间的结果 和当前空间结果联合考虑。
- 为了减小搜索的效率,需要将搜索的空间进行保存,一旦一个空间状态之前运算过, 那么直接取得结果即可。一般使用hash或者编码的方式对空间状态进行保存。
这里,使用一种划分的方式,其实划分搜索也是一种暴力的解空间搜索,但是通过划分 的方式比暴力的方式更加容易写出递归的代码,而暴力的方式需要写循环需要对所有 情况进行考虑,不一定非常好写。
类似于归并排序的思想,计算一个集合的所有可能运算结果可以表示为两个子集 各自的结果,然后合并两个集合的结果,过程为:
- 考虑一个集合S,如果将当前集合分解为两个真子集S1和S2,S1和S2构成S的一个划分。
- 分别计算S1和S2可以得到的所有运算结果的集合。
- 对S1和S2中每一个元素分别进行运算(通过加减乘除),得到集合S中可以得到的所有 运算结果集合。
最最VIP的地方来了,如何来表示集合和子集合的概念。这里使用编码的方式,因为对应 的4个数字最多的组合方式也就是2^4种,而一旦表示为二进制编码的方式,集合的概念显得 非常方便。
比如考虑1011
,表示取第一个,第二个,和第四个元素对应集合,那么其真子集的编码为
0001 0010 0011 1000 1001 1010 1011
,发现下面规律:
- 所有真子集的编码都比当前编码要小。
- 所有的子集编码表示为
j
,当前集合表示为i
,有i & j == j
,同时对应的划分的另外 一个集合为(i-j)
(这个真心nb!)
因为子集的编码更小,所以计算过程直接从小到大的计算,当前编码对应集合的所有子集 在之前的计算过程中都计算过了。
这个二进制表示的编码强大就在此。一方面可以直接计算得到当前的编码,一方面将搜索结果进行了保存。
为了表示对应的表达式结果,在集合的归并过程中,同时保存一份字符串形式的结果表达式,代码如下:
const int N = 4; |
不要被阶层吓到
判断N!中末尾0的个数
从分析哪些数字出现会导致0这个角度来分析。对于大数的考虑则可以想到使用质因数分解:
一个数值n = 2^n1 * 3^n2 * 5^n3 ... |
如果可以在尾巴出现0,那么一定是出现了2和5,不难分析出一定是5的个数小于2的个数。 所以结果变为分析出n!中5的个数。
从1到n,每5个数就会出现一个5,同样没25个数字,由于存在了5^5的情况,所以没25个 数又会在之前计算的基础上增加一个5,所以n!中所有5的个数为:
sum of 5 = [n/5] + [n/25] + [n/125] + ..[n/5^m] |
所以代码非常简单,每次计算出除以5的结果,然后在将n除掉5作为下一次循环的初值
// [n/25] = [n/5] / 5 |
判断N!最后一个二进制1所在的位置
假设一个数为m,可以表示为:
m = 2^n * m' |
那么m的二进制就是表示为:
m = (m'的二进制) << n |
显然m’是个奇数,如果m’是个偶数,那么其中的2一定都在2^n中间去了,所以m’的最后 一个二进制位一定是为1,所以题目转化为,一个数值m的最后一个二进制为的位置等价于 数值m中质因数2的个数:
int ret = 0; |
寻找发帖的水王
题目描述:在所有帖子ID的列表中,有一个ID发的帖子比所有帖子数量的一半还要多, 求出该ID
如果每次删除两个不同ID的帖子(不管是不是包含水王的ID),那么剩下所有ID的帖子 中水王的帖子也还是占超过一半的数量。
1. 如果删除的ID包含水王的,那么所有帖子数目变为n-2,水王的数目变为了m-1. |
不断的从所有ID的列表中取出不同ID的帖子,最后剩下的就是水王的ID了。
这个题目体现了一个很重要的思想:降维。一堆数据,如何进行分解化为更小的问题,或者 通过排除去掉没有价值的数据,从而将问题在更小的维度上解决是问题的关键所在。
Type find(Type* id, int N) { |
如果这个题目进行了扩展,在N个帖子中,有m个水王,每一个帖子占据了帖子总数目的 1/(m+1),那么如何找出这些水王。
同上面的分析,如何降维:每次去掉m+1个不同ID的帖子,那么剩下帖子中一样可以得到 m个水王的帖子占据了总数目的1/(m+1)
开辟一个m长度的数组保存可能是水王的id内容,向数组中填充内容,当遇到了一个id和 保存了m个id的数组都不同的时候,将所有的id的数目都减少一。
vector<Type> find(Type* id, int N, int M) { |
如何有效的降低问题的维度,如何有效的化为更小的子问题,如何去排除不需要的元素, 同时将问题进行等价是正确解答问题的关键。
1的个数
题目:从1到N之间,出现所有1的个数(十进制)
不要一口考虑所有的问题,将题目分解到考虑一到N之间每一位出现1的数目。
(将问题分解为一个一个独立的子问题, 会将问题变得简单许多)
对于一个数abcde而言,在百位上出现1的个数讨论如下;
1. 如果c为0,那么就会有`ab * 100`个可能你个在c的位置上出现1 |
算法如下:
int factor = 10; |
很多问题,如果从全局的角度考虑非常的麻烦,通过将一个问题分解为多个小问题, 各个击破是一种好的想法。
寻找最大的K个数
基于快速排序的思想
- 寻找一个pivot
- 划分两个集合A和B,B中元素都大于A,那么递归取得B中的k个最大数和A中最大的
K-len(B)
个最大数的合集 - 一些边界的情况,如果一个集合中没有K个数,那么直接最大的K个数就是集合本身。
void partition(const V& vec, V& v_big, V& v_small) { |
本质上这种方法等价于拷贝一个原有数据,然后在在该数据上进行partition,直到取得第K个数的pivot为止,这种基于快排的算法理论上的时间复杂度为O(n), 最坏时间复杂度为O(n^2).
上面的算法由于每次使用都缩小了集合的范围,所以相比于直接拷贝原来数据的方法更加适用于特大数据(可以用来保存在文件中,同时不断瘦小范围到一定范围以后,可以load到内存中). 如果直接in place的对原有数据进行处理,会改变数据的内容,需要明确算法使用的场景。
这里特别要说明的是stl中nth_element的解法:
1. nth_element用来in place的得到第n个元素,同时将数据进行划分,类似于partion |
基于count的方式
任何一种可能的算法都可以考虑使用hash的方式,如果数值的范围有限,那么直接 使用hash表映射数字的count,得到第一个大于K的位置。
需要时间复杂度和空间复杂度O(n)
基于二分范围的方式
如果我们知道数据的范围为[vmin, vmax],那么可以而二分的方式计算,直到计算 出第k个数的值为止,再将所有大于K的元素选择出来。
如果vmin和vmax的范围非常大,那么可以进行多分的方式,但是需要更多的空间。 但是想法很有启发意义!
将vmax到vmin等分为m份,然后建立一个表格记录在n个区间中元素个数个数,找到 第k个元素所在的区间,然后在小区间中再次等分为m份或者别的分数,直到找到 第k个数为止。
如果每次都是等分为m份,那么时间复杂度为O(n * log_m^(vmax - vmin)) 类似于二分就是log_2^(vmax-vmin),但是分的m越多,需要更多的额外空间, 如果分为m份,需要额外空间O(m)
wrap up
- 对数值考虑的题目, 总是可以从两个角度来考虑. 第一个是从数组中数字本身考虑, 比如这里直接考虑使用快排的方式确定pivot点进行降维. 第二个是从值域的角度, 数组 中的数据范围是有限的, 值域角度也是一种有效思路(如果数据很多, 但是范围有限的时候)
- 如果数据量很大, 更不好从数值本身来考虑, 这时候更应该考虑值域角度. 可以一次扫描 进行桶排序, 或者统计, 缩小数值的范围.
基于堆的方式
基于堆的方式应该是最好的方式,不论是处理大数据,还是时间复杂度和空间复杂度。
在实现过程中,推荐使用priority_queue的方式,直接push和pop操作来调整堆元素个数。
注意这里逻辑上是相反的,如果需要得到最大的元素,需要建立最小堆。最小堆保存了 目前最大的元素,如果一个元素比最小堆中最小的元素还小就忽略了,就是这个原理 可以直接排除掉一些元素有,而如果大的话,就需要加入新的元素同时调整堆了。
详细的一个比较代码可以参考 : test_nth_element.cpp 一个博客
wrap up
实际测试过程中,使用mulitiset的实现方式和直接基于堆的还是有不小差距,建议使用priority_queue。
在n很大,且m/n很大的时候,nth_element更加快一些,因为该方法对m参数不敏感,但是对n敏感(需要多次遍历数组),但是当m很大的时候,该方法就比基于堆的O(nlog(m))的方法体现出了优势。
stl还有一种算法叫partial_sort和partial_copy_sort, 该算法的核心就是堆和堆排序:
- 该算法是inpalce的
- partial_sort(beg, mid, end)将[beg,mid)范围排序
- 计算方法,对beg到mid建堆,然后遍历[mid,end)的所有元素来调整堆,得到最小 的mid-beg个元素,然后使用sort_heap来排序
- 本质上使用堆得到最小的K个元素,但同时最后进行了排序,所以时间上会差一些。
一个非常重要的思想是可以从值域角度考虑, 使用桶对数据的分布信息进行统计. 当数值是int类型的时候, 最多只需要2次桶进行统计(使用256kB的内存)就可以得到第k个数所在的位置, 在进行一次扫描将所有大于k的个数得到. 所以只需要3次扫描就可以得到前k个大的元素, 也是一种非常有竞争力的方法.
精确表达浮点数
对于一个无线循环的小数,我们需要使用变量代换的方式来处理:
考虑一个小数无限循环:
Y = 0.(b1b2..bm) |
那么:
10^m * Y = b1b2...bm + Y |
对于那些难于表示的内容,使用一个变量进行统一表示,最后通过运算 得到一个解析的解,这是一种化抽象为具体的好方法。
最大公约数问题
- 辗转相除法
gcd(x, y) == gcd(y, x % y) (x > y) |
本质上是这样子的推导,如果最大公约数为k
x = nk |
所以对于y
和x%y
而言,两者最后都是含有最大的公约数k,可以证明这样子
的形式下的两个数的最大公约数也是k
- 除法和取模运算是非常耗费时间的操作,对于大整数而言性能就较差。
本质上,一个除法等价于不停的减法,所以可以转换为减法操作,如果x>y,那么
gcd(x, x-y) = gcd(x, y) |
不停的计算,直到较小的那个数为0为止(取模的本质上就是减去t个y之后的结果)
- 2)中的方法不好在于,可能运算的次数非常的多,比如两个数
1 和 10000000
(减法的效率太低)
本质上,上面的方法都是降维,通过除法和减法降低维度。既然完全的减法还是非常的 不靠谱,还是需要祭出除法这个杀器。如何可以一方面使用除法来快速的降维,一方面 有可以提高除法的效率。
最后学习计算机的而言,一定会想到了最快的除法:移位操作
可不可以通过除二的方式来降低计算的维度呢,答案是有的:(计算机上最快的除法是不停的除以2)
1. 如果x和y都是偶数,那么有 `gcd(x,y) = 2 * gcd(x/2, y/2)` |
下一次操作一定可以使得一个数为偶数,那么计算的范围将变的更小了。不好做除法的就使用减法来代替.
时间复杂度为O(log(max(x,y))
wrap up
- 在计算机的世界里,很多问题都需要降维,然后通过自底向上的方式来重新构建。
- 降维最好的方式就是二分,一方面是因为二分的逻辑比较好控制,另外一方面就是 二分可以用更加快速有效的方式来表示(二进制)
找符合条件的整数
题目:任意给定正整数N,求一个最小的整数M,使得N*M的十进制表示中只含有1和0
- 最直观的想法,遍历M看什么情况下
N*M
最小 - 换位思考,考虑
N*M
的所有可能形式,判断哪一个最小的数对N取模结果为0
为什么考虑2的方式,因为N*M可能非常大,那么M的遍历就非常大。但是对于只有1 和0的十进制数值而言,这个数据的内容不会非常的大,遍历起来也比较方便。
vip:一个题目,经过一定的转换,将结果转换为条件也是一种好的思路
下面的重点是如果遍历所有只含有0和1的十进制数字,并且方便计算对N的取模操作。
取模的性质决定了这个问题可以使用小问题推导大问题的方式:
(a+b) % n = (a%n + b%n) % n
(a*b) % n = (a*(b%n)) % n
所以在遍历的过程中,并不是需要计算所有数对N的取模结果,而是可以更小问题上的解答 得到更大规模问题上的结果。
这里重点变化如何分解小问题:
-
书中的方式:一个n位的数,最高位为1(如果为0,那么就不是N位,还是N-1位), 那么其结果表示:
1abcd…m = (1*10^n % N + abcd…m % N) % N;
就是表示为最高位的1对N的取模结果,加上剩余n-1位取模结果。 同时注意,计算10^n % N的过程也是迭代的,计算了10^(n-1) % N 的结果之后, 将该结果乘上10,在对N取模就得到了。
- 另外一种状态树结构组织的方式。
一个N位的数 = 所有N-1位数 << 1 + 放置0或者1
就是,N位的数是上一层结果放置在高位上的结果,最后一位进行遍历放置数据。
这种方式的好处是所有的状态空间按照树形结构进行了保存。一种减枝的方式是在遍历 某一层的时候,如果有相同的两个状态对应的模数相同,从该节点引申出来的节点的结果 也一定相同,所以选择最小的那个即可。
贴出自己写的代码,注意其中思想的一些小技巧:
struct Data { |
wrap up:
- 本质上属于bfs的搜索, 每一层都是上一层基础上得到更多数据进行计算.
- 很重要一点在于如何确定搜索的规则 : 每一层之间如何变化以及如何进行剪枝. 在这里, 如果一个数值得到的模数已经存在, 那么后面所有在此基础上的变化都将相同, 可以剪枝.
- bfs的搜索想到用树形结构来帮助理解.
斐波那契数列
- google一下特征方程是什么,对于F(n) = f(n-1) + f(n-2)的递归公式存在一种直接计算通项的计算公式。
- vip:对于递归数列,都可以转换为矩阵相乘的形式,比如这里:
(Fn, Fn-1)T = (Fn-1, Fn-2)T * A |
推导的方式就是:递归公式的第一项需要的内容就是矩阵相乘第一项的内容,然后下面的各项都表示为一个[0 0 1 0 …]类似的形式。
表示为矩阵的好处在于可以优化计算的速度, 计算一个矩阵A的n次幂,可以将n化为2进制的形式:
Mat tmp = A; |
计算的时间复杂度为O(logN),算法中的tmp每次都是乘以2的变化,只在二进制为1的 位子上才会在最后结果上乘上这个tmp
寻找数组中的最大值和最小值
- 最简单办法,遍历,同时比较两次,需要O(2N)
- 分支,学会分析公式
f(n) = 2*f(n/2) + 2 // 其中2表示合并过程中,只需要最小和最小的比较,最大最大比较 |
总体的时间为O(1.5N)
分别计算两个N/2规模的最大值和最小值,然后在合并。
不说多的,任何问题都可以想到分支,合并的时间复杂度非常关键。如果是:
f(n) = 2*f(n/2) + n |
那么时间复杂度就是O(nlogn)级别
寻找最近点对
题目描述:给定2D平面上N个点,求出最近的两个点之间距离。
- 最简单方法:O(N^2)的遍历搜索
- 分解问题为更小的问题,二分的方法:
如果将所有点进行X轴排序,在中间的位置二分,左边是所有X轴的数值小于K的,右边 是所有X轴的数值到大于K的。
那么最小的距离:
- 要么在两个半边之间出现的最小值。
- 要么一个点在左边,一个点在右边得到的最小值
合并的过程是优化的关键,这里假设得到了左边和右边的最小值的最小值,记为M。 那么在X轴为K的地方画一条竖直线,出现上(2)的情况的只可能在范围[x-k, x+k]之间。
将出现在[x-k, x+k]之间的所有数据取出来叫做集合S,将S中所有点按照y轴进行排序。 如果两个点的距离小于M,那么假设一个较小的点的y坐标为ym,那么其可能的出现 的最小距离匹配点一定出现在[ym + M]的y坐标范围内部。
所以一种方式就是对S集合中的元素进行遍历,从最小的y开始,取得其上面的元素, 找到所有和当前点距离y距离小于M的元素计算距离。可能你认为这个时间复杂度是O(N^2). 但是其中是O(N),因为可以比较点的个数是有限的。
根据抽屉原理,一个M*M的正方形区域内最多可以放置4个点,如果放置5个点的话,必有 两个点放置在同一个(m/2 * m/2)的正方形区域内,那么该两个点的距离一定是小于M的, 这个和之间假设两侧都最小值为M相矛盾。
所以在遍历的时候,只需要看其上面的3个点就可以,如果上面的3个点中都没有满足的, 第4个点一定不再[ym + M]的范围内!(自己本身也算一个点)
有一点不明确的在于,寻找到了集合S最后的排序时间按复杂度如何计算,书中直接 说明合并的时间复杂度为O(n),那么递归公式就是合并排序的方法,总体时间复杂度 为O(nlogn).
分解问题,然后合并是一种非常有效的套路,这种思想的重点在于更小规模的问题 求解的结果是记录下来的(通过递归累计的方式),从底向上构建最终问题的答案。
子数组最大乘积
题目描述:一个长度N的整数数组,计算任意N-1个数的组合中乘积最大的一个
- 每次不取一个数得到别的计算结果的乘积。
一个数i不取的别的结果可以分为两个部分,一个是i之前的所有数乘积,一个是i之后所有数的乘积,建立两个数组,s[i]表示i之间所有部分的乘积,t[i]表示i+1到数组结束处所有数的乘积,那么遍历的时候,只需要看s[i] * t[i]
哪个数值最大。但是这种方法有溢出的危险。
- 既然只是需要去掉一个数字。是不是可以从分析的角度来考虑呢?
如果统计出数组中正数,负数和零的个数可知道:
- 如果0的个数大于等于2,那么结果必然为0
- 如果只有一个零,那么剩下的结果中的乘积为正数(看正数和负数的个数就可以判断) 那么去掉零,如果为负数,那么最大值一定就是0,随便去掉一个即可。
- 如果没有零,那么就根据正负性去掉绝对值最小的正数或者负数。
wrap up:
- 一个问题当有很多重复计算的时候,建立表格保存结果。需要注意的是如何去总结出 计算的模式,一旦模式有了,那么建立表格就很方便。这里就是将计算乘积分为了两个 部分,然后再分别计算。
- 特殊情况下的问题,可以考虑使用分析的思路去考虑。判断乘积的正负,并不一定 就是需要乘起来看结果,只需要考虑正数,负数的个数就可以了。
数组的子数组之和最大值
题目描述:给定一个数组,求出子数组和值的最大值。一个子数组表示连续的任意数目 的数组元素。
比如:[0 -2 3 5 -1 2]
返回 9
,子数组表示为[3 5 -1 2]
- 想到二分的方式降维,这种思想应该是常住思想。
分为两个数组,那么子数组最大的一定出现在左边或者右边,或者出现在两个数组连接的地方。 假设分开位置的元素为A[i],那么找到连接位置的最大就是找到从i开始到右侧的最大值 加上从i开始到左侧的最大值,直接遍历一遍数组即可。
所以:f(n) = 2*f(n/2) + n,时间复杂度为O(NlogN)
- 有的题目具有线性最优化结构,就是当前结果可以直接用f(N-1)规模的结果来最优表示。
当分析到当前元素 i
的时候,最大的子数组有三种可能:
这个很重要, 分析一个元素的时候分析出最优子结构和上一层所有计算的关系.
- 直接取A[i]
- 一种是之前不连接i元素的最大值
- 一种是之前连接到i-1的最大值 + A[i]
这里为什么要分连接和不连接呢:因为如果不分且知道f(N-1)规模下的最值, 如果这个 最值是可以连接i的,那么最值的结果可以加上A[i],如果不可以连接,最值 就是f(N-1)情况下的数值,这个非常重要。由于事情的发展可能存在多种的情况,最优 的结构是一种,别的可能构成最优的分支同样需要保存,因为这些可能的分支也许 在某一次运算中就逆袭成为最优分支了。
所以递归公式可以写成:
succe(i) = max { A(i), succe(i-1) + A(i) } |
实现过程中:
- 连续最优子结构可以先求解,这样考虑到了A(i)的数值,然后和全局最优的比较.
- 最优的数据比较只和上一层的数值有关,所以没有必要使用数组保存,一个元素 就可以表示当前的数值和最新的数值.
代码如下:
int find_max_sub_array(int* data, int size) { |
求数组中最长递增子序列
题目: 给定一个长度N的数组, 找到其中最长的递增子序列, 序列不一定连续, 但是序列中
的数值一定是递增的. 比如 1,-1,2,-3,4,-5,6,-7
中最长为 1,2,4,6
- 考虑当前节点为n,如果单独考虑n-1情况,其最长的子序列不一定可以直接和第n个 元素构成更长的子序列.如果单独考虑一种情况不可以,那么当前结果可能需要之前很多的 子结果进行比较才可以得到.
(最优结构不一定每次只保存一个结果, 而是可能保存多个可能的结果, 每次都更新所有 可能的结果, 因为你不知道哪一天这个可能的结果就逆袭成为最好的结果了)
比如这里,需要和n-1的最长比较,和n-2的最长比较直到一个数字为止.同时还需要 考虑本身默认就可以构成一个1长度的子串. (本身自成一个体系不要忘记)
假设LIS[i]表示前i个元素中最长递增子序列的长度.
LIS[i] = max(LIS[k], 1) {k <= i && array[k] < array[i]} |
如果当前元素比第k个元素要大,那么就可以串联到第k个元素的后面.
时间复杂度为O(N*N)
- 第一种方法考虑之前子结构的连接情况(最长的子序列的长度),如果换一种角度考虑, 分析之前所有子结构的结果(不是单看单一子结构的情况,而是从全局计算结果的角度考虑, 类比于计算最大连续子数组和的题目,一个数组保存之前数据连续起来的最大值,还有 一个数组保存全局最大值一样).但是这里不同的是,需要保存所有不同长度递增子序列的 目前最大元素的最小值.
如果当前长度为k的递增子序列的最大值为MaxV[k],那么当前元素如果大于k,就可以 在k的基础上得到更长的子串,那么该子串可以构成k+1长度的子串,如果MaxV[k+1]大于 当前元素的话,那么使用当前元素替换MaxV[k+1](因为在同样的长度下,数值越小后面的 数据越可能构成更大的串)
代码如下:
typedef vector<int> Data; |
这里优化的地方在于, min_value_increase
结构的数据是递增的(保存了不同长度下的目前
最大值,如果不是递增,那么不可能在之前的结构中成功的连接成更长的串),所以可以使用
二分.复杂度O(N*logN)
总结:
- DP的状态不是只考虑 之前的一个状态, 而是之前的多个状态中进行决策
- 考虑角度转换! 一种从问题的直接问题进行考虑, 一种从所有可能得到的子结果 (可以得到多长的子串)计算过程中, 动态更新目前计算的所有结果.
数组分割
题目描述:在长度为2N的正数数组中,将数组分割为长度为N的两个数组,且这两个数组的 和最接近。
等价于:2N个数中找到N个数,该数的和与Sum/2最为接近。
既然分为两个数组,必然一个小于Sum/2一个大于Sum/2,所以只需要考虑找到N个数,其 和值小于Sum/2的最大值。
乍一看很像背包问题,不同的是背包问题只是决定于取或者不取,没有限制个数,之多 就是限制呢最大容量,但是这里的容量是必须为N。
正是这个区别,决定了在DP的时候决策需要考虑更多的情况 :
假设现在考虑第 i
个元素,最直接想法是,如果这 i
元素和之前采集的 N-1
个元素进行
加和,可以得到新的 N
个元素的集合结果,麻烦就在于你不能保证这个 i
元素就是取得N
个元素最后的那个,新的i个元素还可以和N-2,N-3。。的集合构成新的N-1,N-2的集合。
- 一个新的元素过来必须要从最上层到最底层的元素都进行更新。注意用词,是最上层到最底层。 如果从最底层开始累加,新的元素加到上一层之后,下一次的遍历就使用了新加入的结果, 这必然是不对的。
- 一种考虑的方式是使用集合,每次有新的元素过来就放入到一个set中。这种方式本质上
是遍历。将所有可能的元素相加结果进行保存,就是
C_2N^N
的结果,是一种O(2^n)
的时间复杂度。 - 另外一种考虑的方式不是从得到的集合角度,而是从可以得到的数值角度。(如果可以 记录的数值是有范围的,比如这里最大记录Sum/2个元素),那么直接建立一个hash表格 表示当前元素是否去到了,少掉了在set中查找的时间。每个元素都需要和之前的所有的 N-1个元素进行更新,这是N^2,每次更新需要遍历Sum/2个元素是否可以更新,需要Sum, 时间复杂度为O(N^2 * Sum)
实现的时候需要注意,第i个元素更新的时候,也要记住本身i个元素本身就可以构成 一个只有一个元素的集合,而且是特殊情况需要额外的逻辑判断。
代码如下:
// 是否是一个还没有被取过的元素 |
wrap up
- 一个新的元素过来在分析和之前子结构关系的时候, 考虑需要保存多种的状态的情况, 比如这里, 一个新的元素可能给所有之前i个元素总和的结果都构成了影响. 一方面需要 从之前的所有情况中计算结果, 另外一方面还要对所有可能改变的分支进行
- 如果元素的范围有限,那么从值域的角度考虑更加方便,其实就是使用hash表格 和查找的区别。hash在不知道元素范围的时候就很头疼,所以如果元素的范围很大, 那么使用集合set的方法更加合适
- 如果题目改为取得N个元素的和值最小,那么不需要建立这么大的表格。 有这样子的性质:如果取得的第N个元素最小,一定是从最小的N-1个 元素中取得的,所以只需要一个向量保存取N个元素的当前最小值,每次一个元素过来 同样进行从上到下的结构更新,只要出现通过当前的第i个元素取值可以比之前的更小 的情况就更新。
/* |
区间重复判断
题目描述:给定一个源区间,和N个无序的目标区间,判断源区间是否可以在目标区间内。 等价于判断这个源区间是不是在N个目标区间构成的集合区间中。
一种思路就是遍历所有的目标区间,将目标区间上所有的范围映射到源区间上,最后看 源区间是不是所有的区间都被映射完成,时间需要O(n^2)
第二种思路:排序!
区间的题目基本都可以通过排序来打开思路之门。一堆的无序区间,如果按照开始位置 或者结束位置排序之后,区间就变得有序。比如这里按照开始位置进行排序,排序完成之后, 可以判断出哪些的区间可以进行合并(只要一次线性判断排序好的数组即可)。
合并好的区间就是哪些原来N个无序区间更加紧密表示区间集合。最重要的数据有序了, 有序的东西的查找就可以使用二分的方式.
总体时间复杂度O(n*log(n))
wrap up
- 区间的问题都想到用排序。
- 排序好的东西都可以想到用二分。或者为了使用二分而考虑使用某种排序。
只考加法的面试题
题目描述:给定一个正整数N,问该正整数是否可以分解为下面的形式:
即是表示为k个连续正整数的和。
化解之后得到:
有:
一个非常NB的结论:2N可以表示为一个奇数和偶数的乘积。
因为一个数加上一个偶数不改变该数字的奇偶性,所以(k-1)和(k)一个是偶数一个是奇数, 那么(2m+k-1)和k也是一个奇数一个偶数.
将2N中所有偶数的部分去掉, 就是去掉2N中所有的2, 可以化为:
其中a和b表示去掉2之后剩下数字的分解(这个剩下的数一定是奇数,所以a和b也都是奇数) 所以对应的上面两个数可以表示为(2^t * a, b)或者(2^t * b, a),因为k是小于(2m+k-1) 的,所以上面的组合中较小的数字表示k,这样子m也可以得到.
所以一个数N可以分解为连续正整数和的个数 == N中去掉2余值的因式分解个数.
wrap up
- 对于数字性质考察的内容, 想到从数字的奇偶性角度来分析.
- 偶数就要想到2, 想到2就要想到如何去掉2还可以保持题目的性质(降维才是核心). 为什么这么喜欢分析2呢, 因为计算机中2的表示非常方便高效.
- 降维,首先考虑如何降2,数值的东西就是优先考虑如何进行偶数上的分解.
字符串移位包含问题
题目描述: 给定两个字符串s1和s2,判断s2是否是s1通过循环移位得到的子字符串.
一个字符串循环移位等价于一个字符串结尾的下一个数字在array[0],考虑:
一个循环移位之后的字符串可以表示为s1s1,将原来的字符串进行了扩展,这样子符合 首尾相连的形态.转换为判断s2是否在s1s1中.
如果不使用额外的空间分配,可以直接使用取模运算的方式匹配子串,就是当字符串处理 到最后一个字符的时候,下一个字符取模取到第一个即可.
wrap up:
- 移位问题,本质上是一种对原有空间的假相扩展,使用取模运算表示了逻辑上的首尾相连.
- 如果不追究最终的形式,使用假的空间扩展移位后的空间会更加的方便.
计算字符串的相似度
题目描述: 计算两个字符串之间的相似度.相似度可以描述为"距离+1"的倒数.
两个字符串的距离可以描述为下面三种动作:
- 修改一个字符
- 增加一个字符
- 删除一个字符
如果通过N次上面动作可以将两个字符串变得一样,那么距离就是N
字符串的相似度,就是求编辑距离(edit distance)
假设考虑一个字符串a1a2a3… 和 b1b2b3…
如果:
- a1 == b1 那么相似度距离等价于 dist(a2a3…, b2b3…)
- a1 != b1 那么,可以通过增加,或者删除得到变化的效果,子问题等价为求
这是明显的一个递归子结构优化问题.
递归
递归的方式很简单了,一次判断两个字符串,缩小子范围,递归求解.
DP
本题存在动态规划优化的方程, 实现的时候有几点需要注意:
- 边界条件,这里的边界条件有点特殊,如果一个数据全部去掉了,那么剩下的串的 长度就是为两者都距离
- 理解方式的不同导致实现方式的不同.
动态规划的建模是有顺序的,比如这里,如果考虑D(i,j)表示从i和j开始的两个子串 的距离,那么递归方程就为:
D(i,j) = D(i+1, j+1) a[i] == a[j] |
但是顺序这个东西是可以反向考虑的,如果考虑 D(i,j)
表示从开始到 第一个串的i
和 第二个串j
位置
作为结束的两个字符串的距离:
D(i,j) = D(i-1, j-1) a[i] == a[j] |
那么计算也方便,遍历也方便.因为如果按照第一种方法考虑,需要从最下面开始建立. 如果倒着考虑,那么就需要考虑之前的情况,就变为从第一行开始遍历,各方面都方便了许多.
动态规划的这种顺序性有的时候需要一些 mind hack, 比如背包问题, 取东西就是从一个固定
的开始坐标(设为0)开始取, 所以建模的顺序性就在于 D(i)
表示前 i
个元素的数值. 这里也是,
对于一个范围的字符串, 按照一定的顺序(不论是向左还是向右), 都产生一定的顺序. 比如这里
D(i)表示前i个元素的字符串就比较方便, 第一种考虑就是向左发展, D(i)表示从i开始到最后
的字符串.
所以对于DP顺序性wrap up:
- 一个范围的事物,如果获取的方法是按照从头到尾或者从尾到头,那么表示这个范围的index 不是二维,而是一维!!,因为相同的规则下,另外一个位置的index都是相同的(不是头就是尾巴了)
- DP的表示就需要这种顺序表示的思维, 具有用一维表示"伪造二维"的慧眼. 同时还知道 不同方式下建模的不同,选择较好的方式来分析.还有需要有反向思考的能力,如果发现 一个递归表示为D(i) = D(i+1),那么可以改变取值的方法,那么递归就变为了D(i) = D(i-1)
备忘录法
- 递归是自顶向上的,使用分治法解决问题.
- DP是自底向上的,记录每一个小问题的解,最后构成了大问题的解
- 递归是可能存在冗余计算的,一个小问题可能被多个上层的大问题所调用.所以这里出现 了备忘录方法.
备忘录方法在递归的过程中表示递归计算过程中的子结果.如果某一次计算计算过了该数值, 那么以后就不在计算.
使用动态规划的复杂度为O(lenA+1)*(lenB+1))
。递归并做备忘录的方法最坏情况下复杂度为O(lenA+1)*(lenB+1)
。
因为备忘录方法并不是所有情况下的直接过都是需要计算的,而DP则是所有子结果都需要计算.
几种方法比较
-
递归最直接,如果问题很难通过建立表格的方式,或者表格维度很大(这里只有2维),那么只能使用递归.
-
如果可以用表, 那么使用DP方法可以求解所有的子结果, 同时通过合理的设置表格 的存取模式, 可以使用很小的内存来计算.
-
如果一个问题在计算过程中,并不是所有的子问题都需要计算, 比如如果递归方程为:
D(i) = D(i-3)
这种模式, 使用DP就会将所有行都计算,那么时间比较浪费.但是使用备忘录,就可以按照 3的行单位下降计算,时间更少,但是也不要忘记递归的时间消耗.同时,备忘录方法需要 的内存不好优化,是多大就要建立多大.
-
总结一下,使用DP是在那种需要row-by-row的计算形式上,一个问题几乎需要计算所有的子问题, 那么使用DP.如果不是使用备忘录.不一定很准确,但是比较通用的一个想法.(如果递归 的代价很高需要综合考虑)
编程判断两个链表是否相交
题目表述: 判断两个无环链表是否有公共交点.
-
如果两个链表相交,可以通过将一个链表链接到另外一个链表的方式构成一个环状 链表.只需要判断另外一个链表是不是可以回到起点就可以.
vip: 通过改变链表的方式构造特殊的结构.扩展开来,一些结构可以通过临时的组合方式 构造新的结构,在这个新的结构上进行分析.同时,最后记得需要将结构进行逆变换.
-
分析问题的本质.对于无环链表,如果相交,一定在某一个位置以后就开始变得相同. 那么最本质的就是最后一个节点相同,只需要分别扫描两个链表,看最后一个节点是否相同 就可以.
vip: 分析得到最本质的东西,最本质的东西很容易出现在开始或者结束的边界位置.
分层遍历二叉树
题目的难点在于输出每一层的二叉树需要输出最后的换行符号,这个需要额外的判断.
一种思路是每次遍历完成一个层次记录下次遍历的count个数
q.push(a[0]); |
还有一种思路是加入一个哨兵节点,比如每一层结束的时候加入一个NULL节点. 在读取到NULL的节点时候,说明一层结束了,做两件事情:
- 输入换行
- 新加入一个NULL节点到队列q中(说明之前一层的节点处理完成,新的下一层节点的结束标志)
这种思想很重要, 判断结束位置可以通过加入特殊的节点, 或者分割点来标识.
程序改错
任何时候都考虑是否可能溢出的问题,这个问题比较的隐蔽,在面试的时候,都试着 去询问一句,是否数据是非常大的,是否当前的表示会溢出.需要明确数据的范围, 使用不同数据类型来表示.
比如二分查找计算mid的计算: mid = (low + high)/2
如果low和high都较大,那么可能溢出,但是即使low和high都很大,但是中值不是溢出的( 除非low和high本身就是溢出的)
使用差值计算的方式比直接两个数字相加要好的多 mid = low + (high - low)/2
VIP: 溢出的问题,如果可以,尽量将范围缩小以后在计算.而不是将数据放到很很大以后 在缩小,因为放大就代表可能的溢出,溢出之后就无法还原.
桶中取黑白球
状态空间法
问题描述:
有一个桶, 其中白球,黑球各100个, 按照下面规则取球:
- 每次取出两个球
- 如果两个球颜色相同, 就再放入一个黑球到桶中
- 如果两个球颜色不同, 就再放入一个白球到桶中
问: 最后桶中只剩下一个黑球都概率是多少?
如果从概率推导的角度来分析, 太复杂了, 没有办法写出概率递归推导的办法.
那么换一种思路: 找规律.(或者叫分析的方式, 从简单到复杂)
从简单的情况找起, 从(2,2)个球开始, 注意下面的表示方式(一个问题一定要找到一种有效 的表示状态空间的办法) : 这里有两个颜色球, 就使用两个长度的序列来表示解空间.
那么状态变化为, 如果取两个黑球:
如果取两个白球:
如果取一个白球一个黑球:
这样子表示状态变化很方便.也可以得到一个结论, 不论怎么取球, 白球变化的个数一定是按照2变化的, 所有如果有100个白球, 那么最后 的状态一定不可能是(0,1), 而是(1,0),所以最后一个一定是黑球.
wrap up
- 多种选择方式的题目, 使用多维的元组来表示空间状态. 有一个好的空间状态 表示方法就可以更好的对空间进行建模.
- 分析过程, 分析状态之间转换的规则, 进行分析. 概率的东西不一定就是 递归的推导, 可能找到规律之后发现其中特定的逻辑.
- 从简单的情况入手.
编码
第二种想法考虑使用异或的思想. 其实看到取出同色, 取出异色, 应该可以想到使用异或.
很重要一个思想是对物体进行编码, 从总体上考虑(不用于上面对状态空间考虑), 那么 黑色表示为0的话(白色表示为1):
- 那么取出两个0, 还是放入0, 不改变异或. 如果取出两个1, 那么放入0, 也不改变.
- 取出一个0, 一个1, 还是放入1, 不改变异或(之后取出或者放入1才会改变异或结果)
所以这样的规则, 最后的异或值不改变. 如果有100个红和黑, 最后的异或结果一定是0, 所以最后不可能出现一个红球的情况.
wrap up
- 从总体考虑, 使用编码的方式来表述整体的解空间(不同于之间状态表示法主要用来 表示状态的改变)
- 将问题状态进行编码就和计算机的二进制表示建立了联系.
- 看到什么异或的东西要有条件反射. 异或的性质: 改变奇数个1才会改变异或的数值
蚂蚁爬杆
题目描述: 有一根27cm的细木杆, 在3cm, 7cm, 11cm, 17cm, 23cm这五个位置上各有一只蚂蚁. 木杆很细, 不能同时通过两只蚂蚁. 开始时,蚂蚁的头朝左还是右是任意的, 它们只会朝前或者调头, 但不会后退. 当任意两只蚂蚁碰头时, 它们会同时调头朝反方向走. 假设蚂蚁们每秒钟可以走一厘米的距离. 编写程序, 求所有蚂蚁都离开木杆的最短时间和最长时间.
考虑问题的集中思路:
- 降低规模方法. 找到更大规模和更小规模的关系, 建立递归的方程. 发现这里 很难有递归的性质.
- 状态空间表示方法. 将运动的状态和运动的过程用编码的方式表现出来, 最后寻找 编码状态的变化规则. 这里虽然状态有变化, 但是很难表示清楚状态的变化.
- 分析/归纳的方法. 从小规模分析, 总结规律. 这里也没有办法得到什么规律, 看来 还是需要从总体角度考虑.
- 暴力搜索. 这个当然可以, 模拟所有蚂蚁的运动, 挺麻烦.
- 问题的转化与等价. 将一个问题或者条件进行转化, 在不影响解的条件下, 将问题 重新建模可以得到更好的效果.
这里很NB!, 考虑两个蚂蚁相遇后再分离的过程, 虽然每一个蚂蚁的个体在调头, 但从 总体上, 就好像两个蚂蚁"穿过"了对方, 沿着原来的路线继续前进. 或者另外一种等价, 每一个蚂蚁身上都有一个id信息, 在相遇的时候, 不会改变运动方向, 只是交换了两个的id信息而已.
这样的等价, 就将最复杂的"调头"逻辑给去掉了, 最小和最长时间就是每一个蚂蚁"一直朝着" 一个方向行走时间的最值.
wrap up: 复杂问题的等价. 需要有一个将复杂条件, 复杂问题进行等价简化的思维.
数字哑谜和回文
题目描述: 神奇的9位数, 能不能找到符合条件的9位数:
这个数包括1-9这9个数字. 这个9位数的前n位都能被n整除, 若这个数是abcdefghi, 那么ab可以整除2, abc可以整除3, etc.
方法一:搜索
搜索如果用纯循环的方式来写, 非常麻烦. 搜索就想到使用dfs或者bfs 来搜索, 如果不是一定那种需要使用bfs的题目(比如需要知道每一层结果), 那么重点 使用dfs.
使用dfs的搜索可以抽象为下面几个要素:
- 有n个决策
- 每一个决策有k种取值方式
- 每一个决策可能的取值只受到之前决策的影响. 换句话说, 每一个决策不会受到未知决策的影响.
这样子才可以保证搜索的过程中, 当前阶段i的所有可能决策都是确定的.
比如这里的决策就是每一个数值取得什么数值, 取值范围为1-9, 但也有限制,
第 i
个决策可以取得的数字受到之前决策的影响(不可以重复), 同时第 i
个决策
得到的数值可以被i整除.
使用dfs还有一个需要分析的是: 哪些中间计算信息需要被传递到下一层的搜索过程中.
对应这个题目, 第i层的搜索需要下面的信息:
- 当前搜索的层次i
- 之前搜索得到数值的结果(用来计算当前决策之后的前i个数值结果)
所有的递归都需要分析一个东西: 什么时候结束, 这里就是可以搜索完成最后一个数字.
得到下面代码:
void dfs(int i = 1, int v_last = 0) |
wrap up
- n步决策, 有限选择, 求解一个特定选择方式的题目都可以想到dfs.
- dfs的实现重点:
- 每一步决策的限制条件是什么.
- 用来传递给下一层搜索的中间信息是什么.
- 每一次决策之后改变了什么状态, 记得在递归之后, 需要还原状态进行新的搜索. 4 如何在第i层中进行剪枝优化.
方法二: 分析的方式
考虑一些基本的性质, 如果一个数可以被3整除, 那么数字之和一定是3的倍数, 就是:
- (a+b+c) 是3的倍数
- (a+b+c+d+e+f)是3的倍数, 且g是偶数
如果可以被5整除, 那么最后一个数一定是5, 所以e一定是5.
还有一些考虑将整除问题进行分解, 将一个大数分解为更小同解的数, 比如abcd如果 可以被4整除, 那么cd需要被4整除, 因为abcd = 100ab + cd, 而100ab就可以被 4整除, 所以只需要cd可以被4整除就可以了
计算N位回文数的个数
N位回文数表示数据总共有N位, 且数字构成了回文数.
这个问题由于各个数字之间没有约束关系(比如取了一个数值就不可以取另外一个数值), 所以每一个数字位上的数值可以独立的取值, 这点为我们考虑提供了思路:
- 考虑每一个位置上可以取得的数值范围.
- 考虑哪些位置上是独立分布的.
对于N位数字, 最高位的取值范围为1-9(注意第一位不可以为0), 其余都是0-9. 同时, 对于回文数而言, 如果一个部分确定了, 另外一个部分就是确定的, 所以如果 N为偶数:
abcdef //bc取得任何的数值都可以得到对应的回文得到解数目为: 9*10^{N/2-1}如果N为奇数:
abcde //那么bc也是取得任何的数值, 只是c的数值对结果没有影响, b的数值被用来进行对称取值得到解的数目为: 9*10^{N/2}所以综合一下结果为: 9*10^(N/2} + N&1 - 1)
wrap up
- 对于排列组合的问题, 明确可以独立分布的变量个数.
- 明确每一个变量可以有的数值范围, 再进行排列组合.
扫雷游戏的概率
这个题目需要明确一个概念, 计算概率的问题, 都需要首先想明白, 样本空间是什么.
比如对于本体, 先从总体上考虑, 样本空间是: 在这3*5的区域中, 一共有2个雷情况下, 分配得到A,B,C三点有雷的概率. 另外一个可能的情况是在有3个雷的情况下, etc…
因为样本空间不一样, 所以这是一个条件概率, 首先分析的是, 在这3*15个区间中, 有2个雷的概率, 有3个雷的概率分别是多少, 再分析在样本确定条件下, 各个子节点 有雷的概率.
wrap up
- 概率和分布问题先要从总体上考虑该分布下样本空间是什么.
- 如果有多个可能的样本空间, 先计算样本空间在不同情况下的概率, 再计算在样本空间 确定条件下对应的概率.