• 数据结构与算法基础-(3)


     🌈write in front🌈
    🧸大家好,我是Aileen🧸.希望你看完之后,能对你有所帮助,不足请指正!共同学习交流.
    🆔本文由Aileen_0v0🧸 原创 CSDN首发🐒 如需转载还请通知⚠️
    📝个人主页:Aileen_0v0🧸—CSDN博客
    🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝​
    📣系列专栏:Aileen_0v0🧸的数据结构与算法学习系列专栏🌸——CSDN博客
    🗼我的格言:"没有罗马,那就自己创造罗马💫~"

    d1790e90476b4791bf55200c4b963108.gif

    6a78491801a74bbd8d932659b06e11db.gif#pic_center

    目录

    回顾💫

    List 列表数据类型常用操作性能

    Dict字典数据类型常用操作性能 

    P、NP、NPC、NP-hard问题详解

    1. 多项式时间(Polynomial time)

    2. 确定性算法与非确定性算法

    确定性算法:

    非确定性算法:

    3. 规约/约化

    4. P类问题、NP类问题、NPC问题

    P类问题:

     

    NP类问题:

    NPC问题(NP-complete):

    NP难问题:



    6a78491801a74bbd8d932659b06e11db.gif#pic_center

    回顾💫

    "温故而知新"~

    上回儿说到,什么是时间复杂度,空间复杂度,

    以及变位词问题的四种解法,以及内置函数sorted和sort.()的内置函数拓展

    不记得的朋友可以点击🔗http://t.csdn.cn/04nTx进行快速定位,接下来进行new knowledge 的学习

    8073dea0e949457ca2f8122f2a74d451.png

    后面我们会用来实现各种数据结构

    通过运行试验来估计其各种操作运行时间数量级

    137b732346bc4582b01787680ebff434.png

    List 列表数据类型常用操作性能🍒

    最常用的:按索引取值和赋值( v = a [i]-->取值操作, a [i] = v-->赋值操作)

    由于 列表随机访问特性 , 这两个操作执行时间与列表大小无关 , 均为O(1)

     

    另一个是列表增长, 可以选择append() 和  _add_() " + "

    lst.append(v), 执行时间 O(1)

    lst = lst + [V],列表中加一个列表, 执行时间是O(n+k),其中 k 是被加的列表长度

    选择哪个方法来操作列表,决定了程序的性能

    4种生成前n个整数列表的方法:

    1. #首先是循环连接列表( + ) 方式生成
    2. def test1():
    3. l = []
    4. for i in range(1000):
    5. l = l + [i]
    6. #然后用append方法添加元素生成
    7. def test2():
    8. l = []
    9. for i in range(1000):
    10. l.append(i)
    11. #用列表推导式来生成
    12. def test3():
    13. l = [i for i in range(1000)]
    14. #最后 利用 range函数 调用转成 列表
    15. def test4():
    16. l = list(range(1000))

     

    70c519c3377649178c88970b7da280dd.png

    Dict字典数据类型常用操作性能🍌 

     

    f4bf1a5430e54267ae142c2714bab100.png

    P、NP、NPC、NP-hard问题详解🫐

     想要理解P问题、NP问题、NPC问题、NP-hard问题,需要先弄懂几个概念:

    什么是多项式时间(inpolynomial多项式  time)?
    什么是确定性算法?什么是非确定性算法?
    什么是规约/约化?

    1. 多项式时间(Polynomial time)🍈

    时间复杂度是衡量算法执行效率的一个指标,它表示算法运行时间与问题规模之间的增长关系。通常用大O符号来表示。

    常见的时间复杂度类型有:

    1. 常数阶 O(1)
    2. 对数阶 O(log n)
    3. 线性阶 O(n)
    4. 线性对数阶 O(n log n)
    5. 平方阶 O(n^2)
    6. 立方阶 O(n^3)
    7. 指数阶 O(2^n)
    8. 阶乘阶 O(n!)

     

    1. 常数时间复杂度 O(1):无论输入的数据规模如何变化,算法的执行时间都是恒定的                        示例:访问数组中固定下标的元素,或者执行单次的加减乘除运算等。
    2. 对数时间复杂度 O(log n):当输入规模增加时,算法执行时间相对于输入规模增加的比率不大。                                                                                                                                                    示例:二分查找算法。
    3. 线性时间复杂度 O(n):算法执行时间与输入规模是正比的。                                                            示例:遍历一次长度为 n 的数组,或者进行一次循环 从1到n 累加求和等。
    4. 平方时间复杂度 O(n^2):算法执行时间与输入规模平方成正比。                                                    示例:双重循环嵌套的算法,比如冒泡排序、插入排序等。
    5. 指数时间复杂度 O(2^n):算法执行时间的增长率与输入规模的指数成正比。                                  示例:穷举算法,比如求解最长公共子序列问题的暴力算法。

    还有其他更高阶的时间复杂度,比如阶乘时间复杂度 O(n!),递归时间复杂度 O(2^n) 等,但是这些复杂度通常不会出现在实际应用中,因为它们的执行时间会随着输入规模的增加而急剧增长,算法的效率非常低下。

    像 O(1),O(ln(n)),O(n^a) 等,我们把它叫做多项式级复杂度,因为它的规模n出现在底数的位置;另一种像是 O(a^n) 和 O(n!) 等,它是非多项式级的复杂度,其复杂度计算机往往不能承受。当我们在解决一个问题时,我们选择的算法通常都需要是多项式级的复杂度,非多项式级的复杂度需要的时间太多,往往会超时,除非是数据规模非常小。

    2. 确定性算法与非确定性算法🍑

    确定性算法:

    设A是求解问题B的一个解决算法,在算法的整个执行过程中,每一步都能得到一个确定的解,这样的算法就是确定性算法。

    非确定性算法:

    设A是求解问题B的一个解决算法,它将问题分解成两部分,分别为猜测阶段验证阶段,其中

    1. 猜测阶段:在这个阶段,对问题的一个特定的输入实例x产生一个任意字符串y,在算法的每一次运行时,y的值可能不同,因此,猜测以一种非确定的形式工作。
    2. 验证阶段:在这个阶段,用一个确定性算法(有限时间内)验证。                                       ①检查在猜测阶段产生的y是否是合适的形式,如果不是,则算法停下来并得到no;           ② 如果y是合适的形式,则验证它是否是问题的解,如果是,则算法停下来并得到yes,否则算法停下来并得到no。它是验证所猜测的解的正确性。

    3. 规约/约化🍊

    问题A可以约化为问题B,称为“问题A可规约为问题B”,可以理解为问题B的解一定就是问题A的解,因此解决A不会难于解决B。由此可知问题B的时间复杂度一定大于等于问题A。

     规约就是选择一个文法规则:X→ABC,依次从栈顶弹出C、B、A,再将X压进栈。规范规约是文法中句子的一个最右推导的逆过程,而最左推导对应的是最右规约 。

    再例如《算法导论》中有一个例子:现在有两个问题:求解一个一元一次方程和求解一个一元二次方程。那么我们说,前者可以规约为后者,意即知道如何解一个一元二次方程那么一定能解出一元一次方程。我们可以写出两个程序分别对应两个问题,那么我们能找到一个“规则”,按照这个规则把解一元一次方程程序的输入数据变一下,用在解一元二次方程的程序上,两个程序总能得到一样的结果。这个规则即是:两个方程的对应项系数不变,一元二次方程的二次项系数为0。

    从规约的定义中我们看到,一个问题规约为另一个问题,时间复杂度增加了,问题的应用范围也增大了。通过对某些问题的不断规约,我们能够不断寻找复杂度更高,但应用范围更广的算法来代替复杂度虽然低,但只能用于很小的一类问题的算法。存在这样一个NP问题,所有的NP问题都可以约化成它。换句话说,只要解决了这个问题,那么所有的NP问题都解决了。这种问题的存在难以置信,并且更加不可思议的是,这种问题不只一个,它有很多个,它是一类问题。这一类问题就是传说中的NPC问题,也就是NP-完全问题。

    4. P类问题、NP类问题、NPC问题、NP难问题🍍

    P类问题:

    It is the set of problems which can be solved by some algorithms inpolynomial time.  --->能在多项式时间内可解的问题.

    故事案例🌰:

    柯尼斯堡七桥问题b02a883c16e4428fa92656b787e88b46.png

    18世纪初普鲁士的哥尼斯堡,有一条河穿过,河上有两个小岛,有七座桥把两个岛与河岸联系起来(如右上图)。有个人提出一个问题:一个步行者怎样才能不重复、不遗漏地一次走完七座桥,最后回到出发点。后来大数学家欧拉把它转化成一个几何问题(如左图下)——一笔画问题。他不仅解决了此问题,且给出了连通图可以一笔画的充要条件是:

    ⒈任意点连接的边数为偶数

    ⒉拥有奇数边点的个数为2或0.

    ⒊其他情况的图都不能一笔画出。(奇点数除以二便可算出此图需几笔画成。)

    一起来玩游戏吧~

    判断下图能否一笔画:

    7034255da64e48efa6d9348b5d85fe60.png

    答案是没有解,因为只有当拥有奇数条边的顶点数量小于或者等于2个时才会有解,而图中有8个粉红色顶点有奇数条边,所以无解。

    2008fa332ca74ae5af5788a6aabb6691.png

    有解 

     

    NP类问题:

    lt is the set of problems which are not sure whether it can be solved bysome algorithms in polynomial time. But it is possible to verify the answer in polynomial time.  --->不确定可以在多项式时间内解决的问题.在多项式时间内“可验证”的问题。也就是说,不能判定这个问题到底有没有解,而是猜出一个解来在多项式时间内证明这个解是否正确。即该问题的猜测过程是不确定的,而对其某一个解的验证则能够在多项式时间内完成。P类问题属于NP问题,但NP类问题不一定属于P类问题。

    故事案例🌰:

    1859 年,爱尔兰数学家哈密尔顿(Hamilton)提出了一个“周游世界”的游戏

    下图中(a),哈密顿提出的「周游世界」的游戏。把一个正十二面体的二十个顶点看成地球上的二十个城市。要求游戏者沿棱线走,寻找一条经过所有结点一次且仅一次的回路,(b)是其哈密顿图,哈密顿回路由实线标出。

    18fd706a09d84b648fc032677a689dd4.png36732a838b5a4ed08e5604ce416c1b7d.png

    简而言之,哈密尔顿回路是指,从图中的一个顶点出发,沿着边行走,经过图的每个顶点,且每个顶点仅访问一次,之后再回到起始点的一条路径。如上图所示,我们的起始点选定为 Washington DC,灰色实线构成的一条路径就是一条哈密尔顿回路。

    在图论算法的领域中,哈密尔顿回路(Hamilton Loop)和路径(Hamilton Path)在定义上是有所区分的:

    哈密尔顿回路(Hamilton Loop)要求从起始点出发并能回到起始点,其路径是一个环。

    哈密尔顿路径(Hamilton Path)并不要求从起始点出发能够回到起始点,也就是说:起始顶点和终止顶点之间不要求有一条边。

    852ea42ccba84f0ea0a1835baa0ef0a2.png

    比如上面这两个图,左图既存在哈密尔顿回路,也存在哈密尔顿路径。而右图只存在哈密尔顿路径,并不存在哈密尔顿回路。 

    如何求解一个图是否存在哈密尔顿回路呢?

    一个最直观的想法就是暴力求解。暴力求解的思路也很简单:我们遍历图的每一个顶点 v,然后从顶点 v 出发,看是否能够找到一条哈密尔顿回路。

    暴力求解和求解全排列问题是等价的,其时间复杂度为 O ( N ! ) ,N 为图的顶点的个数。

    O ( N ! ) 是一个非常高的复杂度,它并不是一个多项式级别的复杂度。像 O ( 1 ) , O(NlogN),O(N^2)这些我们常见的复杂度都是多项式级的复杂度,而O(a^N),O ( N ! )这些复杂度是非多项式级的,也就是说,在数据量 N 极大的情况下,我们的现代计算机是不能承受的。

    那么除了暴力求解哈密尔顿回路问题,是否存在更好的算法?

    很遗憾的是,对于哈密尔顿问题,目前并没有多项式级别的算法。我们只能在暴力破解的基础上,尽量去做到更多的优化,譬如回溯剪枝,记忆化搜索等,但是,还没有找到一种多项式级别的算法来解决哈密尔顿问题。

    通常,这类问题也被称为 NP(Non-deterministic Polynomial)难问题。

    NPC问题(NP-complete):

    they are the problems which are the hardest in NP. If they can be solved in polynomial time, all NP problem can be solved inpolynomial time.存在这样一个NP问题,所有的NP问题都可以约化成它。换句话说,只要解决了这个问题,那么所有的NP问题都解决了。其定义要满足2个条件:

    1. 它是一个NP问题;
    2. 所有NP问题都能规约到它。

    故事案例🌰:

    设有p个城镇,已知每两个城镇之间的距离,一个售货员从某一城镇出发巡回售货,问这个售货员应如何选择路线,能使每个城镇经过一次且仅一次,最后返回到出发地,而使总的行程最短?这个问题称为旅行售货员问题。 bf69faacbfa849baa7a80d042ce92324.png

    NP难问题:

    NP-Hard问题是这样一种问题,它满足NPC问题定义的第二条但不一定要满足第一条(就是说,NP-Hard问题要比 NPC问题的范围广,NP-Hard问题没有限定属于NP),即所有的NP问题都能约化到它,但是他不一定是一个NP问题。NP-Hard问题同样难以找到多项式的算法,但它不列入我们的研究范围,因为它不一定是NP问题。即使NPC问题发现了多项式级的算法,NP-Hard问题有可能仍然无法得到多项式级的算法。事实上,由于NP-Hard放宽了限定条件,它将有可能比所有的NPC问题的时间复杂度更高从而更难以解决

    上面四个问题的关系图: 02ce1fc56fc84c37b3166096e058c667.png

    🐻今天的内容就分享到这里啦~🐻

    🐻喜欢就三连一下呗~🐻

    🐻感谢支持💖!🐻

    bd36de61e19c47c796964f1aaafd471f.gif

     

  • 相关阅读:
    使用dreamweaver制作采用DIV+CSS进行布局——美食甜品店铺加盟企业HTML静态网页 ——学生美食网页设计作品静态HTML网页模板源码
    【Hadoop】- YARN架构[7]
    萌新小白必做题(1):找两数间的最大公约数与最小公倍数
    pywinauto exists 方法
    Java多线程编程
    好消息!北京、珠海PMP考试时间来啦
    11后端开发就是CRUD?没那么简单!
    第一章 人工智能专题之Python基础知识复习
    docker学习进阶之Swarm(三)
    32FLASH闪存
  • 原文地址:https://blog.csdn.net/Aileenvov/article/details/133323758