算法题计算机算法设计与分析期末试题套含答案Word文件下载.docx
《算法题计算机算法设计与分析期末试题套含答案Word文件下载.docx》由会员分享,可在线阅读,更多相关《算法题计算机算法设计与分析期末试题套含答案Word文件下载.docx(20页珍藏版)》请在冰点文库上搜索。
二、建立迭代关系式。
所谓迭代关系式,指如何从变量的前一个值推出其下一个值的公式(或关系)。
迭代关系式的建立是解决迭代问题的关键,通常可以使用递推或倒推的方法来完成。
三、对迭代过程进行控制。
在什么时候结束迭代过程?
这是编写迭代程序必须考虑的问题。
不能让迭代过程无休止地重复执行下去。
迭代过程的控制通常可分为两种情况:
一种是所需的迭代次数是个确定的值,可以计算出来;
另一种是所需的迭代次数无法确定。
对于前一种情况,可以构建一个固定次数的循环来实现对迭代过程的控制;
对于后一种情况,需要进一步分析出用来结束迭代过程的条件。
编写计算斐波那契(Fibonacci)数列的第n项函数fib(n)。
斐波那契数列为:
0、1、1、2、3、……,即:
fib(0)=0;
fib
(1)=1;
fib(n)=fib(n-1)+fib(n-2)(当n>
1时)。
写成递归函数有:
intfib(intn)
{if(n==0)return0;
if(n==1)return1;
if(n>
1)returnfib(n-1)+fib(n-2);
}
一个饲养场引进一只刚出生的新品种兔子,这种兔子从出生的下一个月开始,每月新生一只兔子,新生的兔子也如此繁殖。
如果所有的兔子都不死去,问到第12个月时,该饲养场共有兔子多少只?
分析:
这是一个典型的递推问题。
我们不妨假设第1个月时兔子的只数为u1,第2个月时兔子的只数为u2,第3个月时兔子的只数为u3,……根据题意,“这种兔子从出生的下一个月开始,每月新生一只兔子”,则有
u1=1,u2=u1+u1×
1=2,u3=u2+u2×
1=4,……
根据这个规律,可以归纳出下面的递推公式:
un=un-1×
2(n≥2)
对应un和un-1,定义两个迭代变量y和x,可将上面的递推公式转换成如下迭代关系:
y=x*2
x=y
让计算机对这个迭代关系重复执行11次,就可以算出第12个月时的兔子数。
参考程序如下:
cls
x=1
fori=2to12
nexti
printy
end
分而治之法
1、分治法的基本思想
任何一个可以用计算机求解的问题所需的计算时间都与其规模N有关。
问题的规模越小,越容易直接求解,解题所需的计算时间也越少。
例如,对于n个元素的排序问题,当n=1时,不需任何计算;
n=2时,只要作一次比较即可排好序;
n=3时只要作3次比较即可,…。
而当n较大时,问题就不那么容易处理了。
要想直接解决一个规模较大的问题,有时是相当困难的。
分治法的设计思想是,将一个难以直接解决的大问题,分割成一些规模较小的相同问题,以便各个击破,分而治之。
分治法所能解决的问题一般具有以下几个特征:
(1)该问题的规模缩小到一定的程度就可以容易地解决;
(2)该问题可以分解为若干个规模较小的相同问题,即该问题具有最优子结构性质;
(3)利用该问题分解出的子问题的解可以合并为该问题的解;
(4)该问题所分解出的各个子问题是相互独立的,即子问题之间不包含公共的子子问题。
3、分治法的基本步骤
分治法在每一层递归上都有三个步骤:
(1)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;
(2)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;
(3)合并:
将各个子问题的解合并为原问题的解。
快速排序
在这种方法中,n个元素被分成三段(组):
左段left,右段right和中段middle。
中段仅包含一个元素。
左段中各元素都小于等于中段元素,右段中各元素都大于等于中段元素。
因此left和right中的元素可以独立排序,并且不必对left和right的排序结果进行合并。
middle中的元素被称为支点(pivot)。
图14-9中给出了快速排序的伪代码。
//使用快速排序方法对a[0:
n-1]排序
从a[0:
n-1]中选择一个元素作为middle,该元素为支点
把余下的元素分割为两段left和right,使得left中的元素都小于等于支点,而right中的元素都大于等于支点
递归地使用快速排序方法对left进行排序
递归地使用快速排序方法对right进行排序
所得结果为left+middle+right
考察元素序列[4,8,3,7,1,5,6,2]。
假设选择元素6作为支点,则6位于middle;
4,3,1,5,2位于left;
8,7位于right。
当left排好序后,所得结果为1,2,3,4,5;
当right排好序后,所得结果为7,8。
把right中的元素放在支点元素之后,left中的元素放在支点元素之前,即可得到最终的结果[1,2,3,4,5,6,7,8]。
把元素序列划分为left、middle和right可以就地进行(见程序14-6)。
在程序14-6中,支点总是取位置1中的元素。
也可以采用其他选择方式来提高排序性能,本章稍后部分将给出这样一种选择。
程序14-6快速排序
template<
classT>
voidQuickSort(T*a,intn)
{对fn+1(xn+1)初始化;
{边界条件}
fork:
=ndownto1do
for每一个xk∈Xkdo
for每一个uk∈Uk(xk)do
begin
fk(xk):
=一个极值;
{∞或-∞}
xk+1:
=Tk(xk,uk);
{状态转移方程}
t:
=φ(fk+1(xk+1),vk(xk,uk));
{基本方程(9)式}
ift比fk(xk)更优thenfk(xk):
=t;
{计算fk(xk)的最优值}
end;
for每一个x1∈X1do
iff1(x1)比t更优thent:
=f1(x1);
{按照10式求出最优指标}
输出t;
但是,实际应用当中经常不显式地按照上面步骤设计动态规划,而是按以下几个步骤进行:
(1)分析最优解的性质,并刻划其结构特征。
(2)递归地定义最优值。
(3)以自底向上的方式或自顶向下的记忆化方法(备忘录法)计算出最优值。
(4)根据计算最优值时得到的信息,构造一个最优解。
步骤
(1)~(3)是动态规划算法的基本步骤。
在只需要求出最优值的情形,步骤(4)可以省略,若需要求出问题的一个最优解,则必须执行步骤(4)。
此时,在步骤(3)中计算最优值时,通常需记录更多的信息,以便在步骤(4)中,根据所记录的信息,快速地构造出一个最优解。
总结:
动态规划实际上就是最优化的问题,是指将原问题的大实例等价于同一最优化问题的较小实例,自底向上的求解最小实例,并将所求解存放起来,存放的结果就是为了准备数据。
与递归相比,递归是不断的调用子程序求解,是自顶向下的调用和求解。
回溯法
回溯法也称为试探法,该方法首先暂时放弃关于问题规模大小的限制,并将问题的候选解按某种顺序逐一枚举和检验。
当发现当前候选解不可能是解时,就选择下一个候选解;
倘若当前候选解除了还不满足问题规模要求外,满足所有其他要求时,继续扩大当前候选解的规模,并继续试探。
如果当前候选解满足包括问题规模在内的所有要求时,该候选解就是问题的一个解。
在回溯法中,放弃当前候选解,寻找下一个候选解的过程称为回溯。
扩大当前候选解的规模,以继续试探的过程称为向前试探。
1、回溯法的一般描述
可用回溯法求解的问题P,通常要能表达为:
对于已知的由n元组(x1,x2,…,xn)组成的一个状态空间E={(x1,x2,…,xn)∣xi∈Si,i=1,2,…,n},给定关于n元组中的一个分量的一个约束集D,要求E中满足D的全部约束条件的所有n元组。
其中Si是分量xi的定义域,且|Si|有限,i=1,2,…,n。
我们称E中满足D的全部约束条件的任一n元组为问题P的一个解。
解问题P的最朴素的方法就是枚举法,即对E中的所有n元组逐一地检测其是否满足D的全部约束,若满足,则为问题P的一个解。
但显然,其计算量是相当大的。
我们发现,对于许多问题,所给定的约束集D具有完备性,即i元组(x1,x2,…,xi)满足D中仅涉及到x1,x2,…,xi的所有约束意味着j(j<
i)元组(x1,x2,…,xj)一定也满足D中仅涉及到x1,x2,…,xj的所有约束,i=1,2,…,n。
换句话说,只要存在0≤j≤n-1,使得(x1,x2,…,xj)违反D中仅涉及到x1,x2,…,xj的约束之一,则以(x1,x2,…,xj)为前缀的任何n元组(x1,x2,…,xj,xj+1,…,xn)一定也违反D中仅涉及到x1,x2,…,xi的一个约束,n≥i>
j。
因此,对于约束集D具有完备性的问题P,一旦检测断定某个j元组(x1,x2,…,xj)违反D中仅涉及x1,x2,…,xj的一个约束,就可以肯定,以(x1,x2,…,xj)为前缀的任何n元组(x1,x2,…,xj,xj+1,…,xn)都不会是问题P的解,因而就不必去搜索它们、检测它们。
回溯法正是针对这类问题,利用这类问题的上述性质而提出来的比枚举法效率更高的算法。
回溯法首先将问题P的n元组的状态空间E表示成一棵高为n的带权有序树T,把在E中求问题P的所有解转化为在T中搜索问题P的所有解。
树T类似于检索树,它可以这样构造:
设Si中的元素可排成xi
(1),xi
(2),…,xi(mi-1),|Si|=mi,i=1,2,…,n。
从根开始,让T的第I层的每一个结点都有mi个儿子。
这mi个儿子到它们的双亲的边,按从左到右的次序,分别带权xi+1
(1),xi+1
(2),…,xi+1(mi),i=0,1,2,…,n-1。
照这种构造方式,E中的一个n元组(x1,x2,…,xn)对应于T中的一个叶子结点,T的根到这个叶子结点的路径上依次的n条边的权分别为x1,x2,…,xn,反之亦然。
另外,对于任意的0≤i≤n-1,E中n元组(x1,x2,…,xn)的一个前缀I元组(x1,x2,…,xi)对应于T中的一个非叶子结点,T的根到这个非叶子结点的路径上依次的I条边的权分别为x1,x2,…,xi,反之亦然。
特别,E中的任意一个n元组的空前缀(),对应于T的根。
因而,在E中寻找问题P的一个解等价于在T中搜索一个叶子结点,要求从T的根到该叶子结点的路径上依次的n条边相应带的n个权x1,x2,…,xn满足约束集D的全部约束。
在T中搜索所要求的叶子结点,很自然的一种方式是从根出发,按深度优先的策略逐步深入,即依次搜索满足约束条件的前缀1元组(x1i)、前缀2元组(x1,x2)、…,前缀I元组(x1,x2,…,xi),…,直到i=n为止。
在回溯法中,上述引入的树被称为问题P的状态空间树;
树T上任意一个结点被称为问题P的状态结点;
树T上的任意一个叶子结点被称为问题P的一个解状态结点;
树T上满足约束集D的全部约束的任意一个叶子结点被称为问题P的一个回答状态结点,它对应于问题P的一个解。
【问题】n皇后问题
问题描述:
求出在一个n×
n的棋盘上,放置n个不能互相捕捉的国际象棋“皇后”的所有布局。
这是来源于国际象棋的一个问题。
皇后可以沿着纵横和两条斜线4个方向相互捕捉。
如图所示,一个皇后放在棋盘的第4行第3列位置上,则棋盘上凡打“×
”的位置上的皇后就能与这个皇后相互捕捉。
12345678
×
Q×
从图中可以得到以下启示:
一个合适的解应是在每列、每行上只有一个皇后,且一条斜线上也只有一个皇后。
求解过程从空配置开始。
在第1列至第m列为合理配置的基础上,再配置第m+1列,直至第n列配置也是合理时,就找到了一个解。
接着改变第n列配置,希望获得下一个解。
另外,在任一列上,可能有n种配置。
开始时配置在第1行,以后改变时,顺次选择第2行、第3行、…、直到第n行。
当第n行配置也找不到一个合理的配置时,就要回溯,去改变前一列的配置。
得到求解皇后问题的算法如下:
{输入棋盘大小值n;
m=0;
good=1;
do{
if(good)
if(m==n)
{输出解;
改变之,形成下一个候选解;
}
else扩展当前候选接至下一列;
else改变之,形成下一个候选解;
good=检查当前候选解的合理性;
}while(m!
=0);
在编写程序之前,先确定边式棋盘的数据结构。
比较直观的方法是采用一个二维数组,但仔细观察就会发现,这种表示方法给调整候选解及检查其合理性带来困难。
更好的方法乃是尽可能直接表示那些常用的信息。
对于本题来说,“常用信息”并不是皇后的具体位置,而是“一个皇后是否已经在某行和某条斜线合理地安置好了”。
因在某一列上恰好放一个皇后,引入一个一维数组(col[
]),值col[i]表示在棋盘第i列、col[i]行有一个皇后。
例如:
col[3]=4,就表示在棋盘的第3列、第4行上有一个皇后。
另外,为了使程序在找完了全部解后回溯到最初位置,设定col[0]的初值为0当回溯到第0列时,说明程序已求得全部解,结束程序运行。
为使程序在检查皇后配置的合理性方面简易方便,引入以下三个工作数组:
(1)数组a[],a[k]表示第k行上还没有皇后;
(2)数组b[],b[k]表示第k列右高左低斜线上没有皇后;
(3)数组c[],c[k]表示第k列左高右低斜线上没有皇后;
棋盘中同一右高左低斜线上的方格,他们的行号与列号之和相同;
同一左高右低斜线上的方格,他们的行号与列号之差均相同。
初始时,所有行和斜线上均没有皇后,从第1列的第1行配置第一个皇后开始,在第m列col[m]行放置了一个合理的皇后后,准备考察第m+1列时,在数组a[
]、b[]和c[]中为第m列,col[m]行的位置设定有皇后标志;
当从第m列回溯到第m-1列,并准备调整第m-1列的皇后配置时,清除在数组a[
]、b[]和c[]中设置的关于第m-1列,col[m-1]行有皇后的标志。
一个皇后在m列,col[m]行方格内配置是合理的,由数组a[]、b[]和c[]对应位置的值都为1来确定。
细节见以下程序:
【程序】
#include
#defineMAXN20
intn,m,good;
intcol[MAXN+1],a[MAXN+1],b[2*MAXN+1],c[2*MAXN+1];
voidmain()
{intj;
charawn;
printf(“Entern:
“);
scanf(“%d”,&
n);
for(j=0;
j<
=n;
j++)a[j]=1;
=2*n;
j++)cb[j]=c[j]=1;
m=1;
col[1]=1;
col[0]=0;
{printf(“列\t行”);
for(j=1;
j++)
printf(“%3d\t%d\n”,j,col[j]);
printf(“Enteracharacter(Q/qforexit)!
\n”);
scanf(“%c”,&
awn);
if(awn==’Q’||awn==’q’)exit(0);
while(col[m]==n)
{m--;
a[col[m]]=b[m+col[m]]=c[n+m-col[m]]=1;
col[m]++;
else
{a[col[m]]=b[m+col[m]]=c[n+m-col[m]]=0;
col[++m]=1;
{while(col[m]==n)
good=a[col[m]]&
&
b[m+col[m]]&
c[n+m-col[m]];
试探法找解算法也常常被编写成递归函数,下面两程序中的函数queen_all()和函数queen_one()能分别用来解皇后问题的全部解和一个解。
intn;
queen_all(1,n);
}
voidqueen_all(intk,intn)
{inti,j;
for(i=1;
i<
i++)
if(a[i]&
b[k+i]&
c[n+k-i])
{col[k]=i;
a[i]=b[k+i]=c[n+k-i]=0;
if(k==n)
queen_all(k+1,n);
a[i]=b[k+i]=c[n+k-i];
采用递归方法找一个解与找全部解稍有不同,在找一个解的算法中,递归算法要对当前候选解最终是否能成为解要有回答。
当它成为最终解时,递归函数就不再递归试探,立即返回;
若不能成为解,就得继续试探。
设函数queen_one()返回1表示找到解,返回0表示当前候选解不能成为解。
细节见以下函数。
intqueen_one(intk,intn)
{inti,found;
i=found=0;
While(!
found&
i{i++;
if(k==n)return1;
found=queen_one(k+1,n);
a[i]=b[k+i]=c[n+k-i]=1;
returnfound;
分支定界法:
分支限界法:
这是一种用于求解组合优化问题的排除非解的搜索算法。
类似于回溯法,分枝定界法在搜索解空间时,也经常使用树形结构来组织解空间。
然而与回溯法不同的是,回溯算法使用深度优先方法搜索树结构,而分枝定界一般用宽度优先或最小耗费方法来搜索这些树。
因此,可以很容易比较回溯法与分枝定界法的异同。
相对而言,分枝定界算法的解空间比回溯法大得多,因此当内存容量有限时,回溯法成功的可能性更大。
算法思想:
分枝定界(branchandbound)是另一种系统地搜索解空间的方法,它与回溯法的主要区别在于对E-节点的扩充方式。
每个活节点有且仅有一次机会变成E-节点。
当一个节点变为E-节点时,则生成从该节点移动一步即可到达的所有新节点。
在生成的节点中,抛弃那些不可能导出(最优)可行解的节点,其余节点加入活节点表,然后从表中选择一个节点作为下一个E-节点。
从活节点表中取出所选择的节点并进行扩充,直到找到解或活动表为空,扩充过程才结束。
有两种常用的方法可用来选择下一个E-节点(虽然也可能存在其他的方法):
1)先进先出(FIFO)即从活节点表中取出节点的顺序与加入节点的顺序相同,因此活
节点表的性质与队列相同。
2)最小耗费或最大收益法在这种模式中,每个节点都有一个对应的耗费或收益。
如果查找
一个具有最小耗费的解,则活节点表可用最小堆来建立,下一个E-节点就是具有最小耗费
的活节点;
如果希望搜索一个具有最大收益的解,则可用最大堆来构造活节点表,下一个
E-节点是具有最大收益的活节点
装载问题
用一个队列Q来存放活结点表,Q中weight表示每个活结点所相应的当前载重量。
当weight=-1时,表示队列已达到解