我将这个项目整体分成三大部分，第一部分是数据结构，包含，数组，链表，队列，堆栈，哈希表，树，图 7大数据结构，一个好的算法，必须要有适合的数据结构对数据进行组织，在这部分大家着重了解每种数据结构的形态，如何创建，如何实现遍历，删除，以及算法复杂度和优缺点。第二部分是具体的算法实现，重点包括两大部分十大排序，七大搜索算法。第三部分是五大算法策略，这一块主要是一些算法策略的指南，以及算法**。
所以简单说就是：
- 7大数据结构
- 十大排序
- 七大搜索
- 五大算法策略
梳理清楚会对大家学习有所帮助。
算法复杂度顺序：
常数阶O(1) < 对数阶O(logn) < 线性阶O(n) < nlogn阶O(nlogn) < 平方阶O(n**2) < 立方阶O(n**3) < 指数阶O(2**n) < O(n!) < O(n**n)
在算法的设计上 时间和空间往往是一对可以权衡的关键因素，根据实际情况可以考虑使用空间换时间，或者使用时间换空间的策略。
时间复杂度计量的并不是具体的算法时间，而是算法的执行时间随着问题规模的增长的增长趋势。
线性结构元素之间仅有线性关系，每个元素只有一个直接前驱和一个直接后继。
线性表结构大致的组成大致可以分成两类，数组和链表： 数组的特点就是需要在编译的时候事先分配好连续的内存空间用于存放数据，它方便元素的随机访问，但是不利于插入删除元素。插入删除可能需要挪动大量元素，链表则相反，它的逻辑位置相邻的元素在内存物理地址上不一定相邻。链表适合于插入，删除使用比较多的场景，对于访问元素比较耗时。
总结：
- 优点：查找方便
- 缺点：耗费内存，不利于插入删除
时间复杂度:
查找时间复杂度O(1) 插入删除操作时间复杂度为O(n)
链表中的节点在物理内存中是不连续的，它的特点是插入和删除相当方便，需要新增节点的时候向系统申请空间，数据被删除后将内存空间还给系统。插入删除不需要移动大量数据，并且不能随机访问元素。
总结：
- 特点: 节点在内存中的分布不连续
- 优点：节省内存，方便增删元素
- 缺点：查找元素不方便
时间复杂度:
查找时间复杂度O(n) 插入删除操作时间复杂度为O(1)
类别：
- 单链表： 存在head 和 空节点作为尾节点的链表，它的遍历只是单向的，不能回头，并且head节点十分关键，一旦丢失就失去了整个链表
- 循环链表：头尾相接的单链表
- 双向链表：每个节点可以双向访问的链表
通过增加索引来加速链表的访问速度,一般增加log2 n个。查询的时间复杂度为O(log2 n),如果有1024个结点的话，访问最后一个结点，普通的链表需要1024次，跳表只要10次，跳表其实采用的是空间换时间的策略，虽然时间大大降低了，但是增加的结点，占用了额外的空间，并且插入删除需要不断更新索引。加大了维护的成本。
它的空间复杂度为O(n)
栈是后进先出的一种线性数据结构，堆栈由于没有在随机位置插入删除的需求，所以使用数组和链表表示都是可以的，但是需要事先估计元素的规模。在实际使用中如果元素变化不可估计，建议使用链表表示的堆栈，如果元素的个数的范围大致可以估计则可以使用数组表示。
- 递归
方法自身调用自身，递归函数需要设置递归的终止条件，否则会进入无限的循环当中，在递归过程中，对于每一层递归，方法的局部变量，参数，返回值都被压入栈中。在退回阶段，位于栈顶的局部变量，参数，返回值都被弹出，用于程序的执行。
- 四则运算表达式求值 将运算表达式通过逆波兰表示后结合堆栈进行计算
队列是先进先出的一种线性数据结构，队列由于没有在随机位置插入删除的需求，所以使用数组和链表表示都是可以的。
数组的特点是：寻址容易，插入和删除困难，而链表的特点是：寻址困难，插入和删除容易。那么我们能不能综合两者的特性，做出一种寻址容易，插入删除也容易的数据结构？答案是肯定的，这就是哈希表。 Hash Table的查询速度非常的快，几乎是O(1)的时间复杂度。
散列表根据键（Key）直接访问在内存储存位置的数据结构，也就是说，它通过计算出一个键值的函数，将所需查询的数据映射到表中一个位置来让人访问，这加快了查找速度。这个映射函数称做散列函数，存放记录的数组称做散列表。 也就是数据通过散列函数计算后，直接映射到散列表上。
哈希表的实现主要需要解决两个问题，哈希函数和冲突解决。对不同的关键字可能得到同一散列地址，这种现象称为冲突，
哈希函数 哈希函数也叫散列函数，它对不同的输出值得到一个固定长度的消息摘要。理想的哈希函数对于不同的输入应该产生不同的结构，同时散列结果应当具有同一性（输出值尽量均匀）和雪崩效应（微小的输入值变化使得输出值发生巨大的变化）。 几种常见的哈希函数（散列函数）构造方法：
- 直接定址法: 取关键字或关键字的某个线性函数值为散列地址。即 H(key) = key 或 H(key) = a*key + b，其中a和b为常数。
- 除留余数法: 取关键字被某个不大于散列表长度 m 的数 p 求余，得到的作为散列地址。 即 H(key) = key % p, p < m。
- 数字分析法: 当关键字的位数大于地址的位数，对关键字的各位分布进行分析，选出分布均匀的任意几位作为散列地址。仅适用于所有关键字都已知的情况下，根据实际应用确定要选取的部分，尽量避免发生冲突。
- 平方取中法: 先计算出关键字值的平方，然后取平方值中间几位作为散列地址。随机分布的关键字，得到的散列地址也是随机分布的。
- 折叠法（叠加法：将关键字分为位数相同的几部分，然后取这几部分的叠加和（舍去进位）作为散列地址。用于关键字位数较多，并且关键字中每一位上数字分布大致均匀。
- 随机数法:选择一个随机函数，把关键字的随机函数值作为它的哈希值。通常当关键字的长度不等时用这种方法。
构造哈希函数的方法很多，实际工作中要根据不同的情况选择合适的方法，总的原则是尽可能少的产生冲突。通常考虑的因素有关键字的长度和分布情况、哈希值的范围等。如：当关键字是整数类型时就可以用除留余数法； 如果关键字是小数类型，选择随机数法会比较好。
冲突解决 现实中的哈希函数不是完美的，当两个不同的输入值对应一个输出值时，就会产生“碰撞”，这个时候便需要解决冲突。常见的冲突解决方法有开放定址法，链地址法，建立公共溢出区等。实际的哈希表实现中，使用最多的是链地址法。
开放定址法 如果两个数据元素的哈希值相同，则在哈希表中为后插入的数据元素另外选择一个表项。 当程序查找哈希表时，如果没有在第一个对应的哈希表项中找到符合查找要求的数据元素，程序就会继续往后查找，直到找到一个符合查找要求的数据元素，或者遇到一个空的表项。
如果两个数据元素的哈希值相同，则在哈希表中为后插入的数据元素另外选择一个表项。
当程序查找哈希表时，如果没有在第一个对应的哈希表项中找到符合查找要求的数据元素，程序就会继续往后查找，直到找到一个符合查找要求的数据元素，或者遇到一个空的表项。
例子
若要将一组关键字序列 {1, 9, 25, 11, 12, 35, 17, 29} 存放到哈希表中。
采用除留余数法构造哈希表；采用开放定址法处理冲突。
不妨设选取的p和m为13，由 f(key) = key % 13 可以得到下表。
这个过程是这样的：
- 12 % 13 结果是12，而它的前面有个 25 ，25 % 13 也是12，存在冲突。 我们使用开放定址法 (12 + 1) % 13 = 0，没有冲突，完成。
- 35 % 13 结果是 9，而它的前面有个 9，9 % 13也是 9，存在冲突。 我们使用开放定址法 (9 + 1) % 13 = 10，没有冲突，完成。
链地址法
将哈希值相同的数据元素存放在一个链表中，在查找哈希表的过程中，当查找到这个链表时，必须采用线性查找方法。
在这种方法中，哈希表中每个单元存放的不再是记录本身，而是相应同义词单链表的头指针。
参考文献：
树是一种非线性有层次的数据结构，只有一个根节点，上层元素对应多个下层节点，下层结点对应一个上层节点，子树个数没有限制，但互不相交，树是一种递归结构，在树的定义中又用到了树的概念。
-
结点的度： 结点拥有的子树个数
-
树的度： 树内各结点度的最大值
-
结点的层次： 从根开始，根为第一层，一直顺着往下递增。
-
树的高度： 树中结点的最大层次
-
根结点： 无双亲，且唯一
-
分支结点： 度不为0的称为分支结点
-
叶子结点： 度为0的结点称为叶子结点，无孩子，可以多个
-
双亲结点： 也称为父结点
-
孩子结点： 也称为子结点
-
子孙结点： 以某个结点为根的子树中的任意结点都称为该结点的子孙结点
-
兄弟结点： 同一个双亲结点的子结点互为兄弟结点
-
堂兄弟结点： 双亲在同一层的结点互为堂兄弟
-
有序树： 树中结点的各子树看成从左到右有序的，不能互换的树
-
无序树： 非有序树
-
森林： 若干棵互不相交树的集合
由一个根结点和两颗互不相交的，分别称为根结点左子树和右子树的树组成。（注意每个结点最多只能有两个子树）
- 每个结点最多有两个子树，可以没有子树，也可以只有一棵子树
- 左子树和右子树的顺序不可颠倒，即使只有一个子树也要区分它是左子树还是右子树
总结：每个节点最多有两个子树，每个节点都必须明确是左节点还是右节点
- 二叉树的遍历
- 深度优先遍历（Depth First Search，DFS）： 沿着树的深度遍历树的节点，尽可能深的搜索树的分支。
- 前序遍历：NLR，根结点->左子树->右子树；
- 中序遍历：LNR，左子树->根结点->右子树；
- 后续遍历：LRN，左子树->右子树->根结点。
- 广度优先遍历（Breadth First Search，BFS；也叫层次遍历，level order）： 是从根节点开始，沿着树的宽度遍历树的节点。如果所有节点均被访问，则算法中止。
-
满二叉树： 在一颗二叉树中，[如果所有分支结点都存在左子树和右子树]，[并且所有叶子都在同一层上]，这种二叉树称为满二叉树
-
满二叉树特点：
-
叶子只能出现在最下一层
-
非叶子结点的度一定为2
-
完全二叉树：
若设二叉树的深度为ℎ，除第ℎ层外，其它各层(1～ℎ−1)的结点数都达到最大个数，第ℎ层所有的结点都连续集中在最左边，这就是完全二叉树。
大小堆：
大小堆属于一种完全二叉树，它的特点是任一结点的值是其子树所有结点的最大值或最小值。
- 当结点是其子树的最大值时，称为"最大堆"，也称大顶堆
- 当结点是其子树的最小值时，称为"最小堆"，也称小顶堆
- 并查集 Union-Find：
并查集是一种树型的数据结构，它使用树来表示集合，树的每个节点就表示集合中的一个元素，树根对应的元素就是该集合的代表，并查集主要用于处理一些不相交集合的合并问题，一些常见的用途有求连通子图、求最小生成树的Kruskal 算法和求最近公共祖先等。
基本操作：
并查集的基本操作有两个：
Union(x, y)： 把元素x 和元素y 所在的集合合并，要求x 和y 所在的集合不相交，如果相交则不合并。
Find(x)： 找到元素x 所在的集合的代表，该操作也可以用于判断两个元素是否位于同一个集合，只要将它们各自的代表比较一下就可以了。
路径压缩优化
如果每次都沿着父节点向上查找，那时间复杂度就是树的高度，完全不可能达到常数级。这里需要应用一种非常简单而有效的策略——路径压缩。路径压缩，就是在每次查找时，令查找路径上的每个节点都直接指向根节点，对于合并可以按秩合并。该方法使用秩来表示树高度的上界，在合并时，总是将具有较小秩的树根指向具有较大秩的树根。简单的说，就是总是将比较矮的树作为子树，添加到较高的树中。为了保存秩，需要额外使用一个与parent同长度的数组，并将所有元素都初始化为0。代码见Union-Find.py
- 平衡二叉树(AVL)：
为什么需要引入平衡二叉树，是因为按照普通二叉树的构建方式，有可能会导致极端左倾斜，或者极端右倾斜的二叉树。这种二叉树的性能很低。 平衡二叉树的特点是：要么它是一颗空树，要么它的左子树和右子树都是平衡二叉树，每个结点的左子树和右子树的高度差不多于1.我们将二叉树上结点的左子树深度减去右子树的深度的值称为平衡因子。所以平衡二叉树上所有结点的平衡因子只能是-1，0，1.平衡二叉树的优势在于平衡二叉树能够保证即便在最坏情况下, 插入, 删除和检索数据都保持在O(logn)复杂度, 插入和删除完成后的调整复杂度也是 O(logn) .
距离插入结点最近的，并且平衡因子绝对值大于1的结点为根的子树，称为最小不平衡树。
构建平衡二叉树：在插入结点的时候不断查看，当最小不平衡子树根结点的平衡因子大于1的时候就右旋转，小于-1的时候就左旋转，如果插入结点后，最小不平衡子树的平衡因子与它右子树平衡因子符号相反的时候需要对结点先进行一次旋转，在符号相同后，再反向旋转一次才能完成平衡二叉树。
- 平衡二叉树的旋转
每次从不平衡的结点开始选取三个点，按照如下四种方案进行旋转：
- LL
- �LR
- RR
- RL
旋转方法如下所示：
下面这个视频讲解得十分详细：
前面提到的平衡树很好得解决了在极端不平衡都情况下二叉树退化为类似链表的树结构，但是却不是最佳的解决方案，因为平衡树要求每个节点的左子树和右子树的高度差最多等于1，太严格了，每次进行插入删除节点的时候，几乎都会破坏树的平衡，导致我们需要经常需要通过左旋和右旋来进行调整。从而降低了效率。为了解决这个问题就出现了红黑树，红黑树相对于AVL树来说，牺牲了部分平衡性以换取插入/删除操作时少量的旋转操作，整体来说性能要优于AVL树。红黑树相比于AVL树, 在最坏情况下结果是一样的, 但优势在于,调整的平均复杂度是 O(1)，并且可以在O(log n) 时间内做查找，插入和删除（这里的n是树中元素的数目）:
红黑树是一种自平衡二叉查找树它具有如下特点：
- 具有二叉查找树的特点
- 节点只有两种，红色和黑色。
- 根节点是黑色的，每个叶子节点都是黑色的空节点，叶子节点不存储数据。
- 每个红色节点的两个子节点都应该是黑色的
- 从每个根到节点的路径上不会有两个连续的红色节点，但黑色节点是可以连续的。
- 每个节点，从该节点到达其可达的叶子节点都应该包含相同数量的黑色节点。(这也是为什么在插入的时候使用的是红色结点)
上面这些限制保证了红黑树从根结点到叶子的最长路径不会超过最短路径的2倍。这句话怎么理解？ 从规则6中我们可知道，在一棵红黑树上从根到叶子的最短路径全部由黑色结点构成，而最长结点则由红黑结点交错构成（始终按照一红一黑的顺序组织），又因为最短路径和最长路径的黑色结点数目是一致的，所以最长路径上的结点数是最短路径的两倍。
红黑树的调整包括两类：变色和旋转，旋转又分为左旋和右旋：
- 左旋：
- 右旋
红黑树的主要操作及算法复杂度：
- 搜索 O(logn)
- 插入 O(logn)
- 删除 O(logn)
- 旋转 O(1)
空间复杂度
- O(n)
前面介绍的几种特殊的二叉树的功能及特点，但需要注意的是，这些树都是方便在内存中进行查找而设计的。如果有海量的数据，不可能一次性读取到内存中，这时候就要考虑如何在磁盘中快速找到需要的数据，这就引入了B树B+树这些数据结构。
B树
B树又称“B- 树”，又名平衡多路查找树
B树定义
- Every node has at most m children.
- Every non-leaf node (except root) has at least ⌈m/2⌉ child nodes.
- The root has at least two children if it is not a leaf node.
- A non-leaf node with k children contains k − 1 keys.
- All leaves appear in the same level and carry no information.
- 每个结点最多有m个子结点
- 根结点(非叶子结点的情况下)至少有两个结点[2,m)
- 每个非叶子结点至少有⌈m/2⌉个子结点 ([[m/2],m))
- 有k个子结点的非叶子结点都包含k-1个key (key比指针少1)
- 所有的叶子结点都位于同一层
- 每个节点左子树的数据比当前节点都小、右子树的数据都比当前节点的数据大
与平衡二叉树的区别
- 平衡二叉树节点最多有两个子结点，而B树每个节点可以有多个子结点，m阶B树表示该树每个节点最多有m个子结点
- 平衡二叉树每个节点只有一个数据和两个指向子结点的指针，而B树每个中间节点有k-1个数据和k个子结点（k介于阶数m和m/2之间，m/2 向上取整）
- B树的所有叶子节点都在同一层，并且叶子节点只有关键字，指向孩子的指针为 null
- B树的每个节点可以表示的信息更多，因此整个树更加“矮胖”，从而从磁盘中查找数据（先读取到内存、后查找）的过程中，可以减少磁盘 IO 的次数，从而提升查找速度。
平衡二叉树相同的点在于：B树的节点数据大小也是按照左小右大，子树与节点的大小比较决定了子树指针所处位置。
B 树自平衡规则
- 叶子节点都在同一层
- 每个节点的关键字数为子树个数减一
- 子树的关键字保证左小右大的顺序
B树中如何查找数据:
- 从根节点开始，如果查找的数据比根节点小，就去左子树找，否则去右子树
- 和子树的多个关键字进行比较，找到它所处的范围，然后去范围对应的子树中继续查找
- 以此循环，直到找到或者到叶子节点还没找到为止
B+树 它比 B 树的查询性能更高。
- 定义
- 每个结点至多有 m 个子结点
- 每个结点(除根外)至少有 ⌈m2⌉ 个子结点
- 根结点至少有两个子结点
- 所有的关键码及指针均出现在叶结点上
- 各层结点中的关键码均是下一层相应结点中最大关键码（或最小关键码）的复写
- 有 k 个子结点的结点必有 k 个关键码
- B+树的特点：
- 关键字数和子树相同
- 非叶子节点仅用作索引，它的关键字和子节点有重复元素
- 叶子节点用指针连在一起
B树与B+树的区别：
- B树节点的关键字用于在查询时确定查询区间，因此关键字数比子树数少一；而在 B+ 树中，节点的关键字代表子树的最大值，因此关键字数等于子树数。
- B+树除叶子节点外的所有节点的关键字，都在它的下一级子树中同样存在，最后所有数据都存储在叶子节点中
- 叶子节点包含了全部的数据，并且按顺序排列，B+ 树使用一个链表将它们排列起来，这样在查询时效率更快。
- 由于B+树的中间节点不含有实际数据，只有子树的最大数据和子树指针，因此磁盘页中可以容纳更多节点元素，也就是说同样数据情况下，B+ 树会 B 树更加“矮胖”，因此查询效率更快
- 有时候需要查询某个范围内的数据，由于 B+ 树的叶子节点是一个有序链表，只需在叶子节点上遍历即可，不用像 B 树那样挨个中序遍历比较大小。
B+树的优点：
- 层级更低，IO 次数更少
- 每次都需要查询到叶子节点，查询性能稳定
- 叶子节点形成有序链表，范围查询方便
一般使用链式存储，见代码
二叉树的遍历要求从根结点出发，按照某种次序依次访问二叉树中的所有结点，使得每个结点有且仅被访问一次。这里关键点有几个：从根结点出发，按照某个次序，每个结点都必须被访问，并且只能访问一次。
-
遍历方式：
-
前序遍历: 中 -> 左 -> 右
-
中序遍历: 左 -> 中 -> 右
-
后序遍历: 左 -> 右 -> 中
-
层次遍历: 从上到下层层访问
为什么要遍历？一般计算机只会处理线性序列，上述的遍历方式是将树状结构变成某种意义上的线性序列，方便计算机处理。
- 线索化：
在二叉树的结点上加上线索的二叉树称为线索二叉树，对二叉树以某种遍历方式（如先序、中序、后序或层次等）进行遍历，使其变为线索二叉树的过程称为对二叉树进行线索化
线索二叉树结构：
- 结点数据
- 左孩子
- 右孩子
- 左标签
- 右标签
将二叉树转化为线索二叉树后，对它的遍历就转化为操作一个双向链表。
- 树 --> 二叉树
- 在所有兄弟结点之间加一条线
- 对树的每个结点，只保留它和第一个孩子结点的连线，删除它与其他孩子之间的连线
- 对上述结果进行微调
- 森林 --> 二叉树
- 按照上面步骤把每个树转化为二叉树
- 第一棵二叉树不动，从第二颗二叉树开始，依次把后一颗二叉树对根结点，作为前一颗二叉树的根结点的右孩子。
- 二叉树 --> 树
- 如果某个结点有左结点，那么它左结点的所有右孩子都和它连接起来
- 删除原二叉树中所有结点与其右孩子结点的连线
- 二叉树 --> 森林
- 从根结点开始，如果右孩子存在就把与右孩子的连线删除，直到所有右孩子连线都删除为止，再将每个分离后的二叉树转化为树即可。
哈夫曼编码是可变字长编码的一种，它完全依据字符出现概率来构造平均长度最短的码字
在开始介绍哈夫曼树之前简单提下定长编码和变长编码：
定长编码
没有考虑到一些字符出现的频率会高于一些其它的字符，而是每个字符一视同仁，都用相同位数代表一个字符。
变长编码
变长编码会根据字符出现的频率，来决定该字符的编码，这样我们就可以将频率高的字符用较少位数的编码来表示，频率低的字符用较长的位数来表示。这样可以达到整体编码的最优化。
- 路径：树中一个结点到另一个结点之间到分支构成这两个结点之间的路径
- 路径长度：路径上的分支数目称作路径长度
- 结点的权：很多时候会对树中结点赋予一个某种意义的实数，我们成这种实数为结点的权
- 带权的路径长度： 从树根结点到该结点之间的路径长度与该结点上权的乘积
- 树的带权路径长度：树中所有叶子结点的带权路径长度之和
- 哈夫曼树：哈夫曼树又称最优二叉树。它是 n 个带权叶子结点构成的所有二叉树中，带权路径长度 WPL 最小的二叉树（带权路径长度最短的二叉树）。
构建哈夫曼树步骤:
- 统计各个字符的出现频次，将频次作为每个结点的权值。
- 在森林中选出两棵根结点的权值最小的两颗树作为一颗新树的左，右子树，并且左子树的权值应小于右子树的权值。并将这两个子树的根结点的权重设置为其左，右子树上根节点的权值之和。
- 从森林中删除这两棵树，同时把新树加入到森林中
- 重复上面步骤直到森林中只有一颗树为止。这棵树便是哈夫曼树。
如下图所示：
哈夫曼编码:
- 利用哈夫曼树求得的二进制编码称为哈夫曼编码，根结点到每个叶子结点都有一条路径，将路径上的哥哥分支约定指向左子树的分支表示为0，右子树的分支表示为1，取每条路径上的0，1序列作为各个叶子结点对应的字符编码。即是哈夫曼编码。
- 树的基本概念
- BST树的比较次数取决于树的高度 MIN(logn,n)
- 满二叉树，完全二叉树，大小堆，平衡二叉树，红黑树，B树，B+树
- 大小堆的创建，插入结点，删除结点，用于排序
- AVL，红黑树，B树，B+树 构建，插入删除，查找，翻转结点
- 树的存储，遍历，线索化
- 树，森林转二叉树
- 哈夫曼树与哈夫曼编码
在图形结构中，结点之间的关系可以是任意的，图中任意两个数据结点之间都可能相关。
- 顶点:
- 无向边: 如果两个顶点之间没有方向，那么这条边就叫无向边，记作 (v1,v2)
- 无向图: 任意两个顶点之间都没有方向的图称为无向图。
- 有向边: 如果两个顶点之间有方向，那么这条边就叫有向边，记作 <v1,v2>
- 有向图: 任意两个顶点之间都是有方向的图称为有向图。
- 无向完全图：任意两个顶点之间都存在边的图。n个顶点就有(n * (n-1)) * 0.5 条边
- 有向完全图：在有向图中，如果任意两个顶点之间都存在方向互为相反的两条边，则这个图为有向完全图。n个顶点就有(n * (n-1)) 条边
- 权: 与图的边相关的数值叫做权重
- 网: 带权重的图
- 顶点的度：无向图顶点的边数，叫做顶点的度。有向图的度又分为出度和入度。
- 连通图：在无向图中，如果从顶点v到顶点v1有路径，则v和v1是连通的，如果对于图中任意两个顶点，都是连通的，则称这个图是连通图。
- 连通分量：无向图中的极大连通图。连通分量必须是原图的子图，并且子图要是连通的，并且包含极大顶点数。
- 强连通图：对于每对顶点，v -> v1 和 v1 -> v 之间都存在路径，就称为图为强连通图。
- 连通图的生成树：它包含图中全部的n个顶点，但只有足以构成一颗树但n-1条边。
- 有向树：有向图中有一个顶点的入度为0，其余顶点的入度为1的树叫做有向树。
- 邻接矩阵 Adjacency Matrix
图的邻接矩阵用两个数组来表示图。一个一维的数组存储图中顶点信息，一个二维数组存储图中的边或弧的信息。它可以用来表示无向图，有向图，网。
- 邻接表 Adjacency Table
图的邻接用一个数组表示顶点，存放的是该顶点出发的所有相邻顶点。它可以用来表示无向图，有向图，网。
下面分别是一个图的无向图和有向图：
下面是它的邻接矩阵表示法
下面是它的邻接表表示法
- 十字链表
十字链表主要是为了便于求得图中顶点的度（出度和入度）而提出来的，它的结构如下：
- 顶点结构：
其中data表示顶点的具体数据信息，而firstIn则表示指向以该顶点为弧头的第一个弧节点。而firstOut则表示指向以该顶点为弧尾的第一个弧节点。为了表示有向图中所有的顶点，采用一个顶点数组存储每一个结点
从上图可以看出，十字链表实质上就是为每个顶点建立两个链表，分别存储以该顶点为弧头的所有顶点和以该顶点为弧尾的所有顶点。
- 边结构：
十字链表中边结构的存储分为 5 部分内容，它们各自的作用如下：
- tailvex是指弧起点在顶点的下标，
- headvex是指弧终点在顶点表中的下标，
- hlink是指入边表指针域，指向终点相同的一下条边
- tlink是指出边表指针域，指向起点相同的下一条边。
- info 用于存储与该顶点相关的信息，例如量顶点之间的权值
与邻接表,邻接矩阵不同的是，十字链表法仅适用于存储有向图和有向网
邻接表在用于无向图访问或者删除一条边的情景下需要同时访问两个链表i和j并分别找到对应的边结点，这给针对图的边的操作（标记或删除）带来不便利。邻接多重表的设计就是为了克服这种不便。
- 邻接多重表的结点结构：
data用来记录顶点的信息，firstEdge用来表示依附于该顶点的第一条边。整个图的结点会使用一个数组来存储，结点集如下图所示。
- 邻接多重表的边结点结构：
其中mark表示标志位，用于标记该边是否已经被访问过；iVex和jVex表示该边的两个顶点在结点数组中的位置；iLink和jLink分别表示指向依附于顶点iVex和jVex下一条边的指针。
下面是一个无向图例子：
它的邻接表表示如下：
它的邻接多重表表示如下：
- 边集数组
边集数组由两个一维数组构成：
- 一个存储顶点信息。
- 一个存储边的信息，这个边数组每个数据元素由一条边的起点下标（begin）、终点下标（end）、和权（weight）组成。 边集数组比较适合存储有向图及带权图。若存储无向图，则对同一条边需要两个数据元素来存储，对空间会造成比较大的浪费. 它一般用于关注的是边的场景，在边集数组中要查找一个顶点的度需要扫描整个边数组，效率并不高，因此它更适合对边依次进行处理的操作，而不适合对顶点相关的操作。
最小生成树问题，其实很简单就是给你一个有向带权图，需要你删除一些边，达到用最少的边和最小的权值距离包含原图的所有节点的目的。下面来看比较官方的定义：
- 定义：
- 是一颗树: [无回路]，[v个顶点一定有v-1条边]，向生成树里面任意加一条边都会构成回路
- 是生成树: 包含全部顶点，这v-1条边都在图里面，生成树是不唯一的。
- 最小：[所有边的权重和最小]
最小生成树核心是[基于贪心算法**]，每一步都要最好，眼前最好，不一定全局最好。
约束：
- 只能从图里面选择边
- 只能正好用掉v-1条
- 不能有回路
- Prim算法
Prim算法又可以称为“加点法”，每次迭代选择权重最小并且不构成环的结点，加入到最小生成树中。算法从某一个顶点S开始，逐渐长大覆盖整个连通网的所有顶点。它比较适合于稠密图。
- Kruskal算法
Kruskal算法核心**是把每个顶点都看成一棵树，每次收录一个边相当于合并两个树，最终将所有结点并成一棵树。它适用于稀疏图。
Kruskal算法本质是贪心算法，而Prime算法是动态规划
最小生成树和最短路径的区别：
-
最小生成树能够保证整个拓扑图的所有路径之和最小，但不能保证任意两点之间是最短路径。
-
最短路径是从一点出发，到达目的地的路径最小。
-
遇到求所有路径之和最小的问题用最小生成树&并查集解决。
-
遇到求两点间最短路径问题的用最短路，即从一个城市到另一个城市最短的路径问题。
-
最小生成树构成后所有的点都被连通，而最短路只要到达目的地走的是最短的路径即可，与所有的点连不连通没有关系。
-
Dijkstra
Dijkstra 是基于贪婪算法策略的解决单源最短路径的算法，它可以用于解决无向图最短路径问题，但是在遇到负边的时候可能会给出错误答案。
- 较好的文章推荐
- https://www.bogotobogo.com/python/python_Dijkstras_Shortest_Path_Algorithm.php()
- https://www.geeksforgeeks.org/python-program-for-dijkstras-shortest-path-algorithm-greedy-algo-7/
- https://gist.github.com/kachayev/5990802
- https://dev.to/mxl/dijkstras-algorithm-in-python-algorithms-for-beginners-dkc
-
Floyd Floyd算法适合于有向图和无向图，它不适合于包含总权重为负数的循环子图的情况，它是基于动态规划算法来确定最短路径问题。
-
Bellman-Ford
Bellman-Ford 是基于动态规划算法策略的，它的问题在于遇到总负数权重循环子图的时候会得到错误的答案。
- 排序的稳定性：如果两个[关键字相等]的元素，在排序前的序列中r1的记录排在r2的后面，如果排序后r1 仍然排在r2后面则说明该排序算法是稳定的。 堆排序，快速排序，希尔排序，直接选择排序 这些是不稳定排序算法 基数排序，冒泡排序，直接插入排序，折半插入排序，归并排序 这些是不稳定排序算法
- 内排序和外排序：内排序指的是在排序过程中，待排序的所有记录全部放置在内存中，外排序是指由于排序记录个数太多，不能同时放置在内存，整个排序过程需要在内存和磁盘之间进行多次交换数据才能完成。
- 原地排序和非原地排序：原地排序就是指在排序过程中不申请多余的存储空间，只利用原来存储待排数据的存储空间进行比较和交换的数据排序。非原地排序，需要利用额外的数组来辅助排序。
- 衡量算法的标准： 时间性能 - 内排序主要看比较和移动这两项，外排序还要看读写磁盘IO的频繁程度 辅助空间 - 辅助空间是指除了存放待排序所占用的存储空间外，执行算法所需要的其他存储空间。 算法复杂性
-
冒泡法排序
算法原理： 在整个冒泡过程中有两层循环，外循环用于控制轮数，内循环用于控制本轮的遍历，每次遍历都会将当前项与相邻项进行比较，如果前面一个比后面一个大，则交换他们的位置。我们对每一对相邻元素作同样的工作，从开始第一对到结尾的最后一对，这样一趟比较交换下来之后，排在最右的元素就会是最大的数。每轮都会确定一项元素在排序表中的位置。下一轮需要再针对剩余的元素做同样的工作，如此重复下去，最后完成整个数据的排列。
时间复杂度：O(n2)
空间复杂度：O(1)
稳定排序
原地排序 -
选择排序
算法原理： 每次都确定一个位置的值，在这个过程中会遍历剩下未排序的值，从中选择最小的那个，将它调换到待确定的位置。
时间复杂度：O(n2)
空间复杂度：O(1)
非稳定排序
原地排序 -
插入排序
算法原理：
外循环从index为1开始（第一项不用确定），到最后一项 分成如下几步：
- 找到当前要确定位置的元素i，将该元素拷贝到临时变量(因为后续挪位置到时候会被覆盖掉)
- 从当前位置遍历它之前的元素，找到比它小的或者等于它的，元素索引假设为k
- 将k+1 到 i-1的元素往后挪位置，腾出k+1位置，插入元素
时间复杂度：O(n2)
空间复杂度：O(1)
稳定排序
原地排序 -
希尔排序
算法原理：
插入排序对于小数据量只有部分数据无序的数组来说尚可应付，但是一旦数据集增大性能就会大打折扣，希尔排序是插入排序的进一步升级，它的核心**是将整个待排记录序列分割成间隔相同的若干子序列，分别进行直接插入排序。每次排序结束后都会不断缩小间隔，待整个序列中的记录基本有序时，再对全体记录进行一次直接插入排序。由于这时候序列基本有序了直接插入排序效率就非常高，
-
堆排序
算法原理： 堆排序算法建立在堆数据结构的基础之上，所以在了解该算法之前，大家可以看下上面介绍的堆数据结构，简单说它是一个满足每个结点的都是它子树的最值，最小值的时候这个堆，叫做小顶堆，最大值的时候这个堆叫做大顶堆，我们下面只以小顶堆为例子，在添加元素的时候会先将元素添加到最后一个结点，然后由前完后，不断找它的父结点，把大的父结点降下来，自己升上去，不断循环，直到不能继续往上为止。
这样排序的时候就比较容易了，首先将顶部的给去出来，这个值一定是最小值，然后将当前堆的最后一个元素，放置到顶部，然后下沉这个结点，下沉过程中，先找到左右结点的最小值，如果比它小，就把最小的子结点提上来，自己下沉下去。不断进行上述步骤，直到没有左右子结点为止。
-
归并排序
算法原理： 归并排序使用了递归分治的**,它首先将整个待排序待序列不断分割，直到不能分割为止，我们认为单一元素是有序的。之后再将这些元素重新组合，简单说就是：先递归划分子问题，然后合并结果，最终形成有序序列。
-
快速排序
算法原理： 快速排序的核心**很简单每次都会选择一个标杆数据，下面的例子我们会选择每个区块的第一个元素，然后对其余的元素划分为两类，大于标杆数据，小于标杆的数据，在划分的过程中每个区块里面没有完全排好序，划分好后，再不断对左区块右区块内元素进行快速排序，一直到结束。
-
计数排序
算法原理： 首先明确计数排序仅仅适合于待排序的元素之间范围较小的整数序列，但是对于数据量来说多少无所谓，它的优点就是比前面的O(nlogn)排序速度更快。它的基本**是用待排序的数作为计数数组的下标，统计每个数字的个数。然后依次输出，即可得到有序序列。这里有个比较关键的点是计数排序要求稳定排序时候的处理。下面代码已经给出了。这部分核心**是将计数，通过累加，变成每个元素的位置信息。
这里给出一个关于稳定计数排序的视频:稳定计数排序 -
桶排序
算法原理： 看过计数排序大家都应该了解它的两大限制1.数据范围不能太大，2.必须是整数，其实这两个限制都是为了能够将待排序数据划分成有限个区间而规定的，桶排序为了解决这个问题，将区间划分成固定的几个，但是每个区间内存放的数据可以多个。 桶排序先按照桶数以及待排序数据的最大值，最小值，确定数据边界，然后，将一个个数据加入对应的桶中。 紧着这对每个桶中的数据进行排序。最后依次将这些桶的数据输出，即可完成排序。
如果相对于同样的待排序数据规模，桶数量越大，其效率越高，最好的时间复杂度达到O(n)。当然桶排序的空间复杂度为O(n+m)，如果输入数据非常庞大，而桶的数量也非常多，则空间代价无疑是昂贵的。此外，桶排序是稳定的。 -
基数排序
算法原理： 基数排序是一种借助多关键字排序**，对单逻辑关键字进行排序的方法。基数排序是通过多次的收分配和收集来实现的，关键字优先级低的先进行分配和收集。里面用到了桶排序的原理。具体可以查看如下代码：
上面提到的十种排序算法可以分成如下几类：
冒泡排序、选择排序、插入排序这三种简单的排序及其变种快速排序、堆排序、希尔排序三种比较高效的排序。基于分治递归**的归并排序，还有计数排序、桶排序、基数排序三种线性排序。
- 从平均时间来看，快速排序是效率最高的。但快速排序在最坏情况下的时间性能，不如堆排序和归并排序。而后者相比较的结果是在n较大时，归并排序使用时间较少，但使用辅助空间较多。
- 上面说的简单排序，包括除希尔排序之外的所有冒泡排序、插入排序、简单选择排序。其中直接插入排序最简单。但序列基本有序或者n较小时，直接插入排序是好的方法。因此常将它和其他的排序方法，如快速排序、归并排序等结合在一起使用。
- 基数排序的时间复杂度也可以写成O(d*n)。因此它最适合使用于n值很大而关键字较小的的序列。若关键字也很大，而序列中大多数记录的最高关键字均不同，则亦可先按最高关键字不同，将序列分成若干小的子序列，而后进行直接插入排序。
- 从方法的稳定性来比较，基数排序是稳定的内排方法，所有时间复杂度为O(n^2)的简单排序也是稳定的。但是快速排序、堆排序、希尔排序等时间性能较好的排序方法都是不稳定的。稳定性需要根据具体需求选择。
- 上面的算法实现大多数是使用线性存储结构，像插入排序这种算法，用链表实现更好，省去了移动元素的时间。具体的存储结构，在具体的实现版本中也是不同的。
https://www.jianshu.com/p/c360a58db21d
该部分将会给大家介绍七大查找算法：
- 顺序查找 O(n)
- 二分查找 O(logn)
- 插值查找 O(log)
- 斐波那契查找 O(log)
- 树表查找 O(log)
- 分块查找
- 哈希查找 O(1)
-
相关概念
-
查找表： 同一类型的数据元素组成的集合
-
静态查找表：只作查找操作的查找表
-
动态查找表：在查找过程中同时插入查找表中不存在的数据元素，或者从查找表中删除已经存在的某个数据元素
-
关键字： 数据元素中某个数据项的值
-
主关键字： 可以唯一标识一个记录的关键字
-
次关键字： 可以识别多个数据的关键字
-
查找就是根据给定的某个值，在查找表中确定一个其关键字等于给定的数据元素。
-
有序表查找
-
[二分查找]：
前提是线性表中的记录必须是关键字有序。并且线性表必须采用顺序查找。对于静态查找表，一次排序后不再变化，这种情况下，比较适合二分法，但是如果目标数据集需要频繁执行插入或者删除操作，就不适合了，每次查找之前都需要进行排序。 二分法的基本**是在有序表中取中间记录作为比较对象
mid = int((hight + low) / 2);
如果给定值和中间记录的关键字相等，则查找成功，若给定值小于中间记录的关键字，则在中间记录的左半区继续查找，如果给定的值大于中间记录的关键字，则在中间记录的右半区继续查找。不断重复，直到查找成功。或所有查找区域无记录，查找失败为止。算法复杂度 O(logn)。
- [插值查找] 将二分法的mid替换为:
ratio = (key - list[low])/(list[hight] - list[low])
mid = int(low + ratio * (hight - low))
插值查找比较适合于表比较大，并且分布比较均匀的查找表，对于不均匀的表来说不是很合适。算法复杂度也是 O(logn)。
- [斐波那契查找]:
除了二分查找，插值查找算法之外，斐波那契查找提供了使用黄金分割原理来实现查找的思路：
对于斐波那契数列我们知道:
F[index] - 1 = F[index-1] + F[index-2] -1 (index >= 2)
具体步骤如下 算法复杂度 O(logn)：
- 查找斐波那契序列找到序列中出大于或者等于待查数组长度length的最小值所在的index
- 使用数组的最后一个元素填充待查数组，使得长度等于上一步确定的斐波那契数值
- 令 mid = low + F[index - 1] -1 若 target == list[mid] ，查找成功 若 target < list[mid]，新的范围是第 low 到第 mid-1，此时该范围个数为 F[index-1]-1 个 若 target > list[mid]，新的范围就是第 mid+1 到第 high 个，此时该范围个数为 F[index-2]-1个
- 线性索引查找
索引是把一个关键字与它对应的记录相关联的过程，一个索引由若干索引项构成，每个索引至少应包含关键字和其对应的记录在存储器中的位置等信息。
-
稠密索引: 稠密索引是指在线性索引中，将数据集中的每个记录对应一个索引项，对于稠密索引表而言，索引项一定要按照关键码有序排列。我们要查找某项数据的适合，可以通过二分法，插值法，斐波那契查找算法来定位对应的关键字索引项，然后再利用对应的指针来获取对应的数据。
-
分块索引：稠密索引因为索引项与数据集的记录个数相同，所以空间代价较大，为了减少索引项的个数，我们可以对数据进行分块，使其分块有序，然后再对每一块建立一项索引，从而减少索引的个数。 分块索引的每个块都需要满足如下条件：块内数据可以无序但是块间必须有序。这样每个分块索引的索引项可以由如下数据项构成： 最大关键码，块中记录的个数，块首数据元素的地址。 分块索引步骤： 在分块索引表中查找要查找关键字所在的块，由于分块索引表是块间有序的所以很容易利用二分法，插值法定位所处的块。 根据块首指针找到对应的块，并在块中顺序查找关键值。
-
倒排索引: 是通过属性的值来查找记录的位置。
-
二叉查找树
上面的两种算法的关注点都是在查找上面，并且要求数据集是有序的线性表，但是实际中我们面临的场景却是有插入删除操作的动态表，所以如何在保证插入删除的高效的同时还能继续保证查找的效率是接下来需要考虑的。 二叉查找树有如下性质：
- 二叉排序树的前提是它们是二叉树。
- 若它的左子树不空，则左子树上所有结点的值均小于它的根结点的值
- 若它的右子树不空，则右子树上所有结点的值均大于它的根结点的值
二叉查找树的元素插入，删除（删除比较麻烦，分成三种情况，删除的是叶子结点，删除的是仅有左子树，或者右子树的结点，删除左右子树都有结点的结点，对于第三中需要查要删除结点的前驱或者后继结点来替换待删除的结点），搜索.
- 平衡二叉树
见树部分
- 红黑树
见树部分
- 多路查找树
二叉树的要求每个结点最多只能有两个子结点，如果遇到庞大的待处理数据，就会导致树的高度很高，查找某个结点需要遍历的次数就需要很多，从而导致算法效率的降低。 为了解决这个问题，引入了多路查找树，多路查找树的特点是每个结点的孩子数可以多于两个，并且每个结点处可以存储多个元素。它对降低磁盘IO方面有很好的作用。
B树就是常说的"B-树”，又名平衡多路查找树,不论是B树还是下面介绍的B+树都是从下到上构建出来的
B树与平衡二叉树的区别：
见树部分
B+树 它比 B 树的查询性能更高。
见树部分
- 哈希查找
哈希技术是在记录的存储位置和它的数据之间建立一个确定的对应关系f（散列函数），使得每个关键字key对应一个存储位置，采用散列技术将记录存储在一块连续存储空间中，这块连续的存储空间称为散列表。 散列技术既是一种存储方法，又是一种查找方法。
散列函数的要求：
- 计算简单
- 散列地址分布均匀
如下是几种常见的散列函数：
- 直接定址法:
f(key) = key
- 除留余数法
f(key) = key mod p
一般p为小于或者等于表长的最小质数，或者不包含小于20质因子的合数
-
数字分析法: 比较适合于关键字位数比较大的情况，这种情况一般会抽取关键字的一部分来计算散列的存储位置。
-
平方取中法: 对关键字取平方后，选中当中的若干位，它适合于不知道关键字的分布，而位数又不是很大的情况。
-
折叠法: 将关键字从左到右分割成位数相等的几部分，然后将这几部分叠加求和，并按散列表表长，取后几位作为散列地址。
-
随机数法:
f(key) = random(key)
处理散列冲突的方法：
- 试探地址法： 一旦发生冲突，就去寻找下一个空的散列地址，只要散列表足够大，空的散列地址总能找到：
f(key) = (f(key) + d) mod m (di = 1,2,3,4,5,6...m-1) 线性试探
试探地址法会出现的问题是：堆积，原本不会冲突的但是原先的位置被占领而导致冲突。 为了不让关键字都聚集在某一块区域，可以将d改为1平方，2平方...这种称为二次试探，d还可以使用伪随机数，对应的称为随机试探。
-
链地址法： 这个就不用多介绍了把，很常见。
-
公共溢出区法： 为所有的冲突的关键字建立一个公共的溢出区域用来存放。
散列表查找性能影响因素
- 散列函数是否均匀
- 处理冲突的方法
- 散列表的装载因子 装载因子 = 填入表中记录个数/散列表长度。装载因子越大产生冲突的可能性越大，当到达一定程度可以通过加倍散列表空间来降低碰撞的产生。
这部分将要给大家介绍算法策略，算法策略是对一类算法的**进行归纳，是指导我们解决问题的思路，这里将介绍： 递归，回溯，分治，贪婪，动态规划这五大算法策略。
递归包含了两个意思：递和归,先一层层深入，暂存结果，然后一层层出来最终得到最终答案的一个过程。
最早接触递归是在学习C语言的时候，只是记住了递归就是方法自己调用自己，以及学会了写斐波那契解法，在后面看到C和指针一书的时候才对递归有了进一步的认识。
如果大家对递归不熟悉，建议先看下C和指针一书的相关章节，这里只是对递归做一个简单总结，后续可能会对这一部分进行扩展。在网上看到一个比较通俗形象的解释：
一个小朋友坐在第10排，他的作业本被小组长扔到了第1排，小朋友要拿回他的作业本，可以怎么办？他可以拍拍第9排小朋友，说“帮我拿第1排的本子”，而第9排的小朋友可以拍拍第8排小朋友，说“帮我拿第1排的本子”...如此下去，消息终于传到了第1排小朋友那里，于是他把本子递给第2排，第2排又递给第3排...终于，本子到手啦！这就是递归，拍拍小朋友的背可以类比函数调用，而小朋友们都记得要传消息、送本子，是因为他们有记忆力，这可以类比栈。
我们来做个总结,首先递归有如下要点：
- 递归就是方法自己调用自己
- 那么递归什么时候停止？这就涉及到了基线条件和递归条件： 递归条件指的是满足什么条件方法自己会调用自己。 基线条件指的是满足什么条件会停止递归，从而避免无限循环
- 递归的实现主要依赖的是调用栈这个特殊的数据结构。 在每次使用递归的时候，计算机会先为该函数分配一个内存空间，递归和普通函数不一致的情况在于它除非遇到基线条件，否则不会将当前函数的内存空间从调用栈移除，只是会将当前函数暂停并处于未完成状态，然后为新的递归分配新的内存空间，并将这个新的内存空间入栈。一旦达到了基线条件，有了问题的解后，就会将递归栈中的函数内存空间不断执行出栈操作，每次出栈都会把上次未完成的函数任务完成后返回。
- 递归的最大问题主要有两点：1. 忽视了基线条件很容易导致无限循环，2.如果递归的层次较深，则对堆栈的内存空间资源耗费较大。这个问题可以通过将递归使用循环实现，或者采用尾递归的方案来实现。
尾递归
尾递归主要是为了解决递归算法递归层级较深的情况下会耗费较多的内存空间问题而提出来的，它比普通递归多一个参数，这个参数是上一次调用函数得到的结果，从而导致尾递归只占用恒量的内存。避免了普通递归不收集结果只能依次展开而带来的内存消耗的问题。
下面使用Stack Overflow 的问题来帮助大家理解，问题见What is tail recursion?
下面是普通递归的实现：
def recsum(x):
if x == 1:
return x
else:
return x + recsum(x - 1)
这是调用堆栈，由于计算到中间步骤的时候不能获得最终的结果，所以也要把中间值放在递归堆栈中，这就是造成递归内存问题的主要原因。
recsum(5)
5 + recsum(4)
5 + (4 + recsum(3))
5 + (4 + (3 + recsum(2)))
5 + (4 + (3 + (2 + recsum(1))))
5 + (4 + (3 + (2 + 1)))
5 + (4 + (3 + 3))
5 + (4 + 6)
5 + 10
15
下面是尾递归的实现方案，这里多出一个参数，每次进行计算的时候会用将上一次的计算结果刷新这个值。
def tailrecsum(x, running_total=0):
if x == 0:
return running_total
else:
return tailrecsum(x - 1, running_total + x)
总结： 递归的解题主要考虑三个方面：
- 明确你这个函数想要干什么
- 寻找递归结束条件
- 找出函数的递归关系式
和递归比较相似的概念是迭代，迭代是重复反馈过程的活动，其目是为了逼近所需目标或结果。每一次对过程的重复称为一次“迭代”，而每一次迭代得到的结果会作为下一次迭代的初始值，因此迭代是从前往后计算的。递归则是顺着条件一步一步往前递推，这个过程每个步骤得到的都是中间结果，所以函数的堆栈并不会直接移除，而是被添加到递归调用栈中， 直到到达递归结束点，然后进入第二阶段，这个阶段向后往前计算，每次计算都会将结果传递给下一层堆栈，并将当前函数堆栈pop出来，直到全部pop出来。
分治算法**：
分治算法就是将一个复杂的大问题，不断划分为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用简单的方案直接求解为止。然后对各个子问题一一进行处理，最后将这些子问题的解决方案进行合并获得最终的解决方案。
哪些特征的问题可以使用分治算法：
- 主问题太过庞大，直接使用某种算法不好处理，但是该问题的规模缩小到一定程度后就可以以十分容易的方案解决掉。
- 这些子问题必须是同类的子问题，能够以一种相同的算法来处理。只不过处理问题的规模变小而已，而不是将主问题进行划分步骤后将其分配到各个子问题，虽然问题规模也会变小，但是这不是分治算法。
- 这些子问题必须是相互独立的。
- 这些子问题的结果必须是能够合并的。
步骤：
Step1 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
Step2 解决：若子问题规模较小而容易被解决则直接解，否则递归地拆解各个子问题
Step3 合并：将各个子问题的解合并为原问题的解。
其中|P|表示问题P的规模 n0为阈值，表示当问题P的规模不超过n0时，问题已容易直接解出，不必再继续分解。 ADHOC(P)是该分治法中的基本子算法，用于直接解小规模的问题P。 算法MERGE(y0,y1,...,yk-1)是该分治法中的合并子算法，用于将P的子问题P0 ,P1 ,...,Pk-1的相应的解y0,y1,...,yk-1合并为P的解。
分治法的复杂性分析：
假设问题规模为n的主问题可以采用分治算法分成k个规模为n/m的子问题去解： 并作出如下假设：
- 问题分解阈值n0 = 1
- ADHOC解规模为n0的问题耗费时间为1个单位
- 将原问题分解为k个子问题以及用merge将k个子问题的解合并为原问题的解需用f(n)个单位时间
那么分治算法的复杂度为：
T(n) = kT(n/m) + f(n)
哪些地方用到了分治算法：
- 二分查找法
- 归并排序
- 快速排序算法
- 汉诺塔
贪心算法** --- 局部最优解：
理想的算法是能够获得问题的全局最优解，而贪心算法的目的在于求解问题的局部最优解。
贪心算法的核心**就是每次作出决定的时候都是着眼于眼前最好的选择，就好像一个贪婪的人，他事事都想要眼前看到最好的那个，看不到长远的东西，也不为最终的结果和将来着想，贪图眼前局部的利益最大化，走一步看一步。因此导致它所作出的决定仅仅在某种意义上的局部最优解。算法关键是贪心策略的选择。为什么要选择贪心算法呢？我们知道受限于计算机的内存，CPU，并不是所有的问题都能在有限的时间找到全局最优解，或者说找到全局最优解的所付出的代价并不值得，局部最优解已经能够满足我们对问题答案的要求，这种情况下我们往往会通过贪心算法，来获得一个局部最优解作为替代。
- 贪心算法的解题思路：
从问题的某一个初始解出发逐步逼近给定的目标，以尽可能快的地求得更好的解。当达到算法中的某一步不能再继续前进时，算法停止。
- 贪心算法存在问题：
- 不能保证求得的最后解是最佳的；
- 不能用来求最大或最小解问题；
- 只能求满足某些约束条件的可行解的范围。
-
评价贪心算法的标准
-
算法速度有多快
-
得到的近似解与最优解的接近程度
下面有个比较好的典型例子大家可以看下，后面我也会在代码仓库中提供自己的解法：
动态规划算法**：
动态规划是一种决策类求最优解的问题，这类问题都是在问题的状态空间内找到一个最佳状态.
在知乎 -- 什么是动态规划（Dynamic Programming）？动态规划的意义是什么？ 中的阮行止高票回答中给出这样一个例子，个人觉得分析得比较好：
假设您是个土豪，身上带了足够的1、5、10、20、50、100元面值的钞票。现在您的目标是凑出某个金额w，需要用到尽量少的钞票.
用贪心算法的策略会尽快让w变得更小，能用100的就尽量用100的，否则尽量用50的.....依次类推。在这种策略下，666=6×100+1×50+1×10+1×5+1×1，共使用了10张钞票。这种方式在上面题解中是有效的，但是如果我们换一组钞票的面值，贪心策略就也许不成立了。比如一个奇葩国家的钞票面额分别是1、5、11，那么我们在凑出15的时候，贪心策略会出错：
贪心策略使用了5张钞票：15 = 1 × 11 + 4 × 1 正确的题解只使用三张钞票: 15 = 3 × 5
造成错误的根源是由于贪心策略的核心**是：“尽量使接下来面对的w更小”。这样，贪心策略在w = 15的局面时，会优先使用11来把w降到4；但是在这个问题中，凑出4的代价是很高的，必须使用4×1。如果使用了5，w会降为10，虽然没有4那么小，但是凑出10只需要两张5元。之所以会有这个错误是因为贪心是一种只考虑眼前情况的策略，只能得到局部最优解。
那么怎么得到全局最优解？一种是通过暴力枚举法：直接暴力枚举凑出w的方案，如果面额太多则明显复杂度过高。枚举它们的时间是不可承受的。那么DP算法是怎么处理的呢？
我们重新分析刚刚的例子。w = 15时， 我们如果取11，接下来就面对w = 4的情况；如果取5，则接下来面对w=10的情况。我们发现这些问题都有相同的形式：“给定w，凑出w所用的最少钞票是多少张？”接下来，我们用f(n)来表示“凑出n所需的最少钞票数量”。
那么，如果我们取了11，最后的代价（用掉的钞票总数）是多少呢？ 明显:cost = f(4) + 1 = 4 + 1 它的意义是：利用11来凑出15，付出的代价等于f(4)加上自己这一张钞票。现在我们暂时不管f(4)怎么求出来. 如果我们用5来凑出15，cost就是f(10) + 1 = 2 + 1,同样我们现在我们暂时不管f(10)怎么求出来。
那么，现在w=15的时候，我们该取那种钞票呢？当然是各种方案中，cost值最低的那一个！
- 取11：cost = f(4) + 1 = 4 + 1 = 5
- 取5： cost = f(10) + 1 = 2 + 1 = 3
- 取1： cost = f(14) + 1 = 4 + 1 = 5
显而易见，cost值最低的是取5的方案。我们通过上面三个式子，做出了正确的决策！ 这给了我们一个至关重要的启示 —— f(n) 只与 f(n - 1) ,只与 f(n - 5), f(n - 11)相关；更确切地说：
f(n) = min{f(n - 1),f(n - 5), f(n - 11)} + 1
回顾上面这个问题，有两点我们需要重点提出：
- f(n) 只与f(n - 1),f(n - 4), f(n - 11) 的值相关
- 在计算某个阶段的时候我们只关心f(w)的值，并不关心它是怎么凑出来的。
它与暴力的区别在哪里？我们的暴力枚举了“使用的硬币”，然而这属于冗余信息。我们要的是答案，根本不关心这个答案是怎么凑出来的。譬如，要求出f(15)，只需要知道f(14),f(10),f(4)的值。其他信息并不需要。我们舍弃了冗余信息。我们只记录了对解决问题有帮助的信息——f(n) . 我们能这样干，取决于问题的性质：求出f(n)，只需要知道几个更小的f(c)。我们将求解f(c)称作求解f(n)的“子问题”。
有了上面的基础我们就可以对动态规划做一个简单总结了，DP算法中有几个比较重要的概念：
- 状态：
解空间中的某个中间时刻，比如上面的f(4)，f(10)，f(14)，f(15)
- 状态空间：
当前问题所有状态的集合
- 状态迁移函数：
根据状态之间关系抽象出来的一个状态之间关系的函数，比如上面的： f(n) = min{f(n - 1),f(n - 5), f(n - 11)} + 1
- 状态迁移：
将状态从状态空间中的某个状态，根据迁移函数迁移到另一个状态的过程
- 无后效性
如果给定某一阶段的状态，则在这一阶段以后过程的发展不受这阶段以前各段状态的影响。
结合上面的例子一旦f(n)确定，我们如何凑出f(n)就再也用不着了。要求出f(15)，只需要知道f(14),f(10),f(4)的值，而f(14),f(10),f(4)是如何算出来的，这是求解f(14),f(10),f(4)阶段需要解决的在计算f(15)的时候并不管这些值是怎么获取到的，只要知道它们具体的值是多少就可以。
- 最优子结构
每个阶段的最优状态可以从之前某个或某些状态直接得到,这种称为最优子结构，大问题的最优解可以由小问题的最优解推出。
从上面的概念可以知道什么类型的问题可以使用DP解决：“能将大问题拆成几个小问题，且满足无后效性、最优子结构性质”。
- 动态规划算法的核心**
在这部分我们会解答之前的一个问题，暴力搜索和动态规划算法的区别是什么，其实不论是动态规划算法还是暴力搜索，我们在处理这类决策问题的时候都是在可能的解空间内，寻找最优解，在上面例子中。暴力做法是枚举所有的可能解，这是最大的可能解空间。在暴力算法中，很多问题的解空间往往是指数级的大小。DP算法策略是枚举有希望成为答案的解。这个空间比暴力的小得多。也就是说采用DP，那么有可能把解空间的大小降到多项式级。解空间越小，寻找解就越快。这也就是为什么动态规划算法比暴力搜索快的原因了。
- 解决动态规划算法的步骤
这部分同样推荐一篇文章
-
首先我们最先明确要解决的最终问题以及明确描述问题的子状态，比如上面的例子，我们最终要解决的问题是：
凑出w所需的最少钞票数量
根据最终要解决的问题我们可以得到子状态的描述：
f(n)来表示“凑出n所需的最少钞票数量”
从上面看出各个子状态和最终要解决的问题是类似的。这些子状态构成了解决最终问题的状态空间。并且这些状态是相互独立的，并无后向性。
-
仅接着我们需要确定状态迁移函数 迁移函数用于明确如何从一个状态迁移到下一个状态，这一步我们需要找出找出f(w)与哪些状态有关（记为p），写出状态转移函数通过f(p)来推出f(w). 设计转移，有两种方式：一种是考虑我从哪里来，另一种是考虑我到哪里去，这常见于求出f(x)之后，更新能从x走到的一些解。总而言之，“我从哪里来”和“我要到哪里去”只需要考虑清楚其中一个，就能设计出状态转移方程，从而写代码求解问题。前者又称pull型的转移，后者又称push型的转移。
-
最后明确初始状态
这种一般可以通过将最初的几个状态代入，如果发现某些值是不符合常规的这时候就需要我们根据实际给出初始值。
总而言之：DP 算法策略需要明确状态空间由哪些状态构成，状态的初始值是多少（也就是在状态空间的起始点），明确状态迁移函数（也就是明确如何从一个状态，进入下一个状态，明确我从哪里来，要到哪里去的问题）
回溯算法介绍
来来来，开始讲回溯之前来点轻松的先看下视频，很有趣的，但是记得回来哈：
回溯算法实际上就是决策树的遍历过程，每次都会从可选路径中选择一条最优的方向，沿着一个方向来试图寻找问题的解决方案，在这个过程中一旦发现走进了"死胡同"（发现原先选择不优，或者正在偏离解决问题的目标的时候），继续沿着这个方向探索没有任何解决方案，就进行回溯，尝试另一个方向，直到最终找到问题的解决方案为止。这种走不通就退回再走的技术为回溯法，而满足回溯条件的某个状态的点称为"回溯点"。这种方法适用于解一些组合数相当大的问题。
在开始进行回溯之前必须有包含问题的所有解的解空间树（又称为决策树），以供每次调整方向的时候选择，从根结点出发深度探索解空间树。当探索到某一结点时，要先判断该结点是否包含问题的解，如果包含，就从该结点出发继续探索下去，如果该结点不包含问题的解，则逐层回溯。回溯问题也分为两类：若用回溯法求问题的所有解时，要回溯到根，且根结点的所有可行的子树都要已被搜索遍才结束。 而若使用回溯法求任一个解时，只要搜索到问题的一个解就可以结束。
简单概括就如下几个步骤：
- 确定问题的决策树，决策树应至少包含问题的一个最优解
- 确定路径结点的扩展搜索规则
- 以深度优先方式从根结点出发搜索决策树，算法搜索至解空间树的任意一点时，先判断该结点是否包含问题的解。如果肯定不包含，则跳过对该结点为根的子树的搜索，逐层向其祖先结点回溯；否则，进入该子树，继续按深度优先策略搜索。在遍历过程中需要有记录以及访问的结点。
- 并在搜索过程中用剪枝函数避免无效搜索。所谓的剪枝函数就是约束条件或目标函数的界，即判定该节点是否包含问题的解。如果肯定不包含，则跳过对以该节点为根的子树的搜索。
分支定界算法介绍
分支定界类似于回溯法，也是在问题的决策树上搜索问题解的算法，它和回溯法不同的是：在遍历问题解空间树的时候，它采用广度优先的策略，依次搜索结点的所有分支，也就是所有相邻结点，抛弃不满足约束条件的结点，其余结点加入活结点表。然后从表中选择一个结点作为下一个结点，继续搜索。它使用的是堆栈作为辅助遍历数据结构，而回溯法是基于深度优先遍历算法，使用队列作为辅助遍历数据结构。
还有一个比较大的区别在于：回溯法的求解目标是找出解空间中满足约束条件的所有解，相比之下，分支限界法的求解目标则是找出满足约束条件的一个解，或是满足约束条件的解中找出使某一目标函数值达到极大或极小的解，即在某种意义下的最优解。
分支限界法的搜索策略是：在扩展结点处，先生成其所有子结点，然后再从当前的活结点表中选择下一个扩展对点。为了有效地选择下一扩展结点，以加速搜索的进程，在每一活结点处，计算一个限界值，并根据这些已计算出的函数值，从当前活结点表中选择一个最有利的结点作为扩展结点，使搜索朝着解空间树上有最优解的分支推进，以便尽快地找出一个最优解。分支限界法与回溯法对当前扩展结点所使用的扩展方式不同。在分支限界法中，每一个活结点只有一次机会成为扩展结点。活结点一旦成为扩展结点，就一次性产生其所有儿子结点。在这些儿子结点中，那些导致不可行解或导致非最优解的儿子结点被舍弃，其余儿子结点被子加入活结点表中。此后，从活结点表中取下一结点成为当前扩展结点，并重复上述结点扩展过程。这个过程一直持续到找到所求的解或活结点表为空时为止。
简单得说回溯算法是基于深度优先在决策空间进行遍历的，分支定界算法则是通过广度优先对解空间进行遍历搜索目标解的过程。为了减小时间复杂度。回溯法通过剪枝，而分支限界法可以通过优先队列的择优选择来减少选择次数，但是确定哪一项数据的为优先级决定了分支限界法的成功与否
理论方面下面这些材料介绍得很清楚了：
- Introduction to Backtracking - Brute Force Approach
- N Queens Problem using Backtracking
- Sum of Subsets problem
- 算法笔记（回溯法，分支限界法）
- 回溯算法解题套路框架
- 回溯算法Github
- 回溯法
- 回溯法套路模板 刷通leetcode
K最临近算法主要用于分类和回归：
分类就是对数据进行编组
回归就是对结果进行预测
决定KNN算法成败的最关键的因素在于特征的选取，也就是说如何将研究对象，转化为一系列可比较可量化的数字。
KNN步骤：
- 定义物体，抽取物体特征
- 将待研究对象的特征与已经归类好的物体的特征相似程度进行比较。这一步可以使用某种距离进行量化，那么它和距离最近的物体归为一类。
- 一旦建成上述的分类系统，就可以根据上述的系统的每个类别整体特性，来预测上述系统某个类别中的单个个体的行为，也就是上面提到的回归。
KNN 最关键的部分在于两点：特征的抽取以及相似度的计算。
- https://www.youtube.com/channel/UC6Aa5t0vHN8uj_BCbgrRZcQ
- https://www.youtube.com/channel/UCD8yeTczadqdARzQUp29PJw
- https://www.youtube.com/playlist?list=PLDN4rrl48XKpZkf03iYFl-O29szjTrs_O
- https://www.youtube.com/user/mikeysambol
- [Data Structure & Algorithm] 七大查找算法
- [Data Structure & Algorithm] 八大排序算法
- GitHub标星15K，这个开源项目让算法动起来
- http://zh.lucida.me/blog/on-learning-algorithms/
- Sound of sorting
- Sound of sorting Youtu
- Sorting Algorithms
- https://www.youtube.com/watch?v=lahPKUJEhHU
- https://www.youtube.com/watch?v=pVfzNyNRqxk&list=PLljKjXpjNpge8KFkTgqWoR4qwKOW5iU_F
- https://www.pdai.tech/
- https://www.jianshu.com/p/a0941781926d
- https://algorithm-visualizer.org/simple-recursive/cellular-automata
- http://www.cppblog.com/menjitianya/archive/2015/10/23/212084.html
- https://algorithmtutor.com/#
- https://www.cs.usfca.edu/~galles/visualization/RedBlack.html
- https://labuladong.gitbook.io/algo/
- https://www.gitbook.com/book/alleniverson/data-structure-and-algorithms
- https://www.zhihu.com/question/266403334
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent