1. 算法概述与复杂度分析算法是计算机科学的核心基础简单来说就是解决问题的明确步骤。就像做菜需要菜谱一样算法就是计算机的菜谱。一个合格的算法必须满足五个基本特性输入明确需要处理的数据、输出必须有结果、有限性步骤不能无限循环、确定性每个步骤必须明确无歧义和可行性能用基本操作实现。在实际考试中复杂度分析绝对是高频考点。我当年备考时就因为没吃透这个概念在时间复杂度计算上栽过跟头。复杂度分为空间复杂度和时间复杂度前者关注算法运行需要多少内存后者关注算法执行需要多少时间。更具体地说时间复杂度又分为最好情况时间复杂度最理想的情况最坏情况时间复杂度最差的情况平均情况时间复杂度所有可能情况的期望值举个生活中的例子在一堆杂乱的文件中找特定文件。最好情况是第一个就是O(1)最坏情况是最后一个才找到O(n)平均情况则是需要检查一半文件O(n/2)。在实际分析中我们通常用大O表示法来描述最坏情况因为它给出了性能的下界保证。关于P和NP问题这是算法领域最著名的未解之谜之一。简单理解P问题能在多项式时间内被确定性图灵机解决的问题NP问题能在多项式时间内被非确定性图灵机验证解的问题NPC问题NP完全问题NP中最难的问题所有NP问题都能在多项式时间内归约到它考试中常考的易错点是P⊆NP是正确的但PNP与否尚未被证明所以任何断言PNP或P≠NP的说法都是错误的。渐进符号的证明也是重点特别是用比值法证明o和ω关系教材上的6个O的性质一定要掌握。2. 递归与分治策略2.1 递归基础与分治框架递归就像俄罗斯套娃一个函数不断调用自身直到满足终止条件。它的优点是代码简洁能自然表达许多问题的结构缺点是效率低频繁的函数调用会消耗大量栈空间。我记得初学递归时最头疼的就是忘记写终止条件结果程序直接栈溢出崩溃。分治策略是递归的典型应用它的代码框架必须包含三个关键部分基准情况问题规模小到可以直接解决分解步骤将问题分解为若干个相同结构的子问题合并步骤将子问题的解合并为原问题的解def divide_conquer(problem): # 基准情况 if problem is small_enough: return solve_directly(problem) # 分解步骤 subproblems divide(problem) # 递归求解子问题 subresults [divide_conquer(sub) for sub in subproblems] # 合并步骤 return merge(subresults)2.2 递归式求解方法递归式求解绝对是考试重点中的重点主方法和递归树法必须熟练掌握。主方法适用于形如T(n)aT(n/b)f(n)的递归式分为三种情况若f(n)O(n^(log_b a-ε))则T(n)Θ(n^(log_b a))若f(n)Θ(n^(log_b a))则T(n)Θ(n^(log_b a)lgn)若f(n)Ω(n^(log_b aε))且af(n/b)≤cf(n)则T(n)Θ(f(n))递归树法则更直观通过画出递归树计算各层代价和叶节点代价。例如求解T(n)3T(n/4)Θ(n²)每层分支数为3深度为log₄n第i层有3^i个节点每个节点代价为(n/4^i)²总代价为各层代价之和2.3 典型分治算法快速排序是分治的经典案例我强烈建议手写实现一遍。它的核心是partition操作def quicksort(arr, low, high): if low high: pi partition(arr, low, high) quicksort(arr, low, pi-1) # 左子数组 quicksort(arr, pi1, high) # 右子数组 def partition(arr, low, high): pivot arr[high] i low - 1 for j in range(low, high): if arr[j] pivot: i 1 arr[i], arr[j] arr[j], arr[i] arr[i1], arr[high] arr[high], arr[i1] return i1线性时间选择算法能在O(n)时间内找到第k小元素它巧妙结合了快速排序的partition和递归策略。考试常考根据伪码写递推式比如最接近点对问题的伪码1. 按x坐标排序所有点 2. 中线划分左右区域 3. 递归求左右区域的最小距离d 4. 检查中线附近距离小于d的点对对应的递推式就是T(n)2T(n/2)O(n)解得T(n)O(nlogn)。3. 动态规划精要3.1 基本思想与解题步骤动态规划(DP)和分治都用到递归思想但关键区别在于DP有重叠子问题通过记忆化存储避免重复计算。解题通常分三步定义子问题找出最优解的结构特征建立递推式用子问题表示原问题确定边界条件最小子问题的解最优子结构性质是DP的核心常用反证法证明。比如矩阵连乘问题假设存在更优的括号方案必然导致矛盾。3.2 典型DP问题矩阵连乘是理解DP的绝佳案例。给定矩阵链A₁A₂...Aₙ找到最小乘法次数的括号化方案。定义m[i,j]为计算A[i:j]的最小代价递推式为m[i,j] min{m[i,k]m[k1,j]p_{i-1}p_kp_j} for i≤kj边界条件是m[i,i]0。实际编程时采用自底向上填表法def matrix_chain(p): n len(p) - 1 m [[0]*n for _ in range(n)] for l in range(2, n1): # 链长度 for i in range(n-l1): j i l - 1 m[i][j] float(inf) for k in range(i, j): cost m[i][k] m[k1][j] p[i]*p[k1]*p[j1] if cost m[i][j]: m[i][j] cost return m[0][n-1]背包问题是另一类经典DP。0/1背包的状态转移方程dp[i][j] max(dp[i-1][j], dp[i-1][j-w[i]]v[i])其中dp[i][j]表示前i件物品放入容量j背包的最大价值。考试可能要求手工推导dp表比如物品重量w[2,3,4]价值v[3,4,5]背包容量5时的最优解。4. 回溯法与分支限界法4.1 回溯法框架回溯法采用深度优先搜索策略系统地遍历解空间。它的核心框架必须掌握def backtrack(path, choices): if meet_condition(path): results.append(path.copy()) return for choice in choices: if not is_valid(choice): continue # 剪枝 path.append(choice) backtrack(path, new_choices) path.pop() # 回溯考试常考子集树和排列树框架。子集树用于组合问题如装载问题排列树用于排列问题如TSP。重排原理是优化关键让分支少的方向靠前尽早剪枝。4.2 典型回溯问题n皇后问题要求在国际象棋棋盘上放置n个皇后使其互不攻击。解空间是排列树约束函数是def is_valid(board, row, col): for i in range(row): if board[i] col or \ abs(board[i]-col) abs(i-row): return False return True图的m着色问题为图的顶点着色使相邻顶点颜色不同。解空间是子集树约束函数检查当前顶点颜色是否与邻接顶点冲突。4.3 分支限界法与回溯法不同分支限界法采用广度优先搜索使用活结点表管理待扩展节点。根据活结点表的实现方式分为队列式(FIFO)先进先出类似BFS优先队列式按优先级取出常用代价函数估计TSP问题的分支限界解法中活结点保存当前路径和已访问城市代价函数用最小生成树估计剩余路径下界。5. 算法实战技巧5.1 应试策略根据历年真题分析考试通常包含选择题概念辨析如P/NP问题、复杂度分析简答题递推式求解、算法框架默写大题解空间树绘制、DP问题求解建议重点准备根据伪码写递推式如快速排序、线性时间选择主方法和递归树法求解复杂度动态规划问题的状态转移方程回溯法的剪枝条件设计5.2 常见错误规避在算法考试中我见过太多同学犯这些错误复杂度分析混淆最好/最坏情况忽略递归的隐藏成本DP问题边界条件处理不当递推式缺少初始值回溯法忘记恢复状态回溯步骤剪枝条件不充分一个实用的检查方法是写完算法后用简单测试用例手工模拟执行过程。比如对快速排序用长度为3的数组验证partition是否正确。
