六個演算法

A. 程序員都應該精通的六種演算法，你會了嗎

對於一名優秀的程序員來說，面對一個項目的需求的時候，一定會在腦海里浮現出最適合解決這個問題的方法是什麼，選對了演算法，就會起到事半功倍的效果，反之，則可能會使程序運行效率低下，還容易出bug。因此，熟悉掌握常用的演算法，是對於一個優秀程序員最基本的要求。

那麼，常用的演算法都有哪些呢？一般來講，在我們日常工作中涉及到的演算法，通常分為以下幾個類型：分治、貪心、迭代、枚舉、回溯、動態規劃。下面我們來一一介紹這幾種演算法。

一、分治演算法

分治演算法，顧名思義，是將一個難以直接解決的大問題，分割成一些規模較小的相同問題，以便各個擊破，分而治之。

分治演算法一般分為三個部分：分解問題、解決問題、合並解。

分治演算法適用於那些問題的規模縮小到一定程度就可以解決、並且各子問題之間相互獨立，求出來的解可以合並為該問題的解的情況。

典型例子比如求解一個無序數組中的最大值，即可以採用分治演算法，示例如下：

def pidAndConquer(arr,leftIndex,rightIndex):

if(rightIndex==leftIndex+1 || rightIndex==leftIndex){

return Math.max(arr[leftIndex],arr[rightIndex]);

}

int mid=(leftIndex+rightIndex)/2;

int leftMax=pidAndConquer(arr,leftIndex,mid);

int rightMax=pidAndConquer(arr,mid,rightIndex);

return Math.max(leftMax,rightMax);

二、貪心演算法

貪心演算法是指在對問題求解時，總是做出在當前看來是最好的選擇。也就是說，不從整體最優上加以考慮，他所做出的僅是在某種意義上的局部最優解。

貪心演算法的基本思路是把問題分成若干個子問題，然後對每個子問題求解，得到子問題的局部最優解，最後再把子問題的最優解合並成原問題的一個解。這里要注意一點就是貪心演算法得到的不一定是全局最優解。這一缺陷導致了貪心演算法的適用范圍較少，更大的用途在於平衡演算法效率和最終結果應用，類似於：反正就走這么多步，肯定給你一個值，至於是不是最優的，那我就管不了了。就好像去菜市場買幾樣菜，可以經過反復比價之後再買，或者是看到有賣的不管三七二十一先買了，總之最終結果是菜能買回來，但搞不好多花了幾塊錢。

典型例子比如部分背包問題：有n個物體，第i個物體的重量為Wi，價值為Vi，在總重量不超過C的情況下讓總價值盡量高。每一個物體可以只取走一部分，價值和重量按比例計算。

貪心策略就是，每次都先拿性價比高的，判斷不超過C。

三、迭代演算法

迭代法也稱輾轉法，是一種不斷用變數的舊值遞推新值的過程。迭代演算法是用計算機解決問題的一種基本方法，它利用計算機運算速度快、適合做重復性操作的特點，讓計算機對一組指令(或一定步驟)進行重復執行，在每次執行這組指令(或這些步驟)時，都從變數的原值推出它的一個新值。最終得到問題的結果。

迭代演算法適用於那些每步輸入參數變數一定，前值可以作為下一步輸入參數的問題。

典型例子比如說，用迭代演算法計算斐波那契數列。

四、枚舉演算法

枚舉演算法是我們在日常中使用到的最多的一個演算法，它的核心思想就是:枚舉所有的可能。枚舉法的本質就是從所有候選答案中去搜索正確地解。

枚舉演算法適用於候選答案數量一定的情況。

典型例子包括雞錢問題，有公雞5，母雞3，三小雞1，求m錢n雞的所有可能解。可以採用一個三重循環將所有情況枚舉出來。代碼如下：

五、回溯演算法

回溯演算法是一個類似枚舉的搜索嘗試過程，主要是在搜索嘗試過程中尋找問題的解，當發現已不滿足求解條件時，就「回溯」返回，嘗試別的路徑。

許多復雜的，規模較大的問題都可以使用回溯法，有「通用解題方法」的美稱。

典型例子是8皇後演算法。在8 8格的國際象棋上擺放八個皇後，使其不能互相攻擊，即任意兩個皇後都不能處於同一行、同一列或同一斜線上，問一共有多少種擺法。

回溯法是求解皇後問題最經典的方法。演算法的思想在於如果一個皇後選定了位置，那麼下一個皇後的位置便被限制住了，下一個皇後需要一直找直到找到安全位置，如果沒有找到，那麼便要回溯到上一個皇後，那麼上一個皇後的位置就要改變，這樣一直遞歸直到所有的情況都被舉出。

六、動態規劃演算法

動態規劃過程是：每次決策依賴於當前狀態，又隨即引起狀態的轉移。一個決策序列就是在變化的狀態中產生出來的，所以，這種多階段最優化決策解決問題的過程就稱為動態規劃。

動態規劃演算法適用於當某階段狀態給定以後，在這階段以後的過程的發展不受這段以前各段狀態的影響，即無後效性的問題。

典型例子比如說背包問題，給定背包容量及物品重量和價值，要求背包裝的物品價值最大。

B. 6個點的稅是怎麼演算法

法律分析：6點是6%的增值稅稅率，這是「營改增」改革中「現代服務業」的稅率。增值稅分的核算方法，例如，如果開了一張10萬的發票，那麼這張發票就是稅務發票，就得計算不含稅的銷售額，然後乘以6個稅點。現代服務業增值稅的徵收對象包括：研究與技術服務、信息技術服務、文化創意服務、物流輔助服務、簽證咨詢服務、廣播電視服務。計算方法：如銷售金額為10000元，則無稅價格為10000/1.06433.96。稅款：9433.96*0.0666.04。

法律依據：《中華人民共和國增值稅暫行條例》第三條 納稅人兼營不同稅率的項目，應當分別核算不同稅率項目的銷售額；未分別核算銷售額的，從高適用稅率。

C. 六個不同數字相加減有多少種演算法

六個不同的數字相加，用數列的方法求就是有6×5÷2種＝15種
六個不同的數字想減，有6×5＝30種
也就是說
六個不同數字相加減有15+30＝45種演算法。
如果還沒學到數列不明白為什麼要這么算的話追問我再給你解釋。

D. 用C++編寫一個洗牌發牌的函數，玩家可能有兩個、三個和四個

幾乎所有的程序員都寫過類似於「洗牌」的演算法，也就是將一個數組隨機打亂後輸出，雖然很簡單，但是深入研究起來，這個小小的演算法也是大有講究。我在面試程序員的時候，就會經常讓他們當場寫一個洗牌的函數，從中可以觀察到他們對於這個問題的理解和寫程序的基本功。

在深入討論之前，必須先定義出一個基本概念：究竟洗牌演算法的本質是什麼？也就是說，什麼樣的洗牌結果是「正確」的？

雲風曾經有一篇博文，專門討論了這個問題，他也給出了一個比較確切的定義，在經過洗牌函數後，如果能夠保證每一個數據出現在所有位置的概率是相等的，那麼這種演算法是符合要求的。在這個前提下，盡量降低時間復雜度和空間復雜度就能得到好的演算法。

第一個洗牌演算法：

隨機抽出一張牌，檢查這張牌是否被抽取過，如果已經被抽取過，則重新抽取，直到找到沒被抽出過的牌，然後把這張牌放入洗好的隊列中，重復該過程，直到所有的牌被抽出。

大概是比較符合大腦對於洗牌的直觀思維，這個演算法經常出現在我遇到的面試結果中，雖然它符合我們對於洗牌演算法的基本要求，但這個演算法並不好，首先它的復雜度為O(N2)，而且需要額外的內存空間保存已經被抽出的牌的索引。所以當數據量比較大時，會極大降低效率。

第二個演算法：

設牌的張數為n，首先准備n個不容易碰撞的隨機數，然後進行排序，通過排序可以得到一個打亂次序的序列，按照這個序列將牌打亂。

這也是一個符合要求的演算法，但是同樣需要額外的存儲空間，在復雜度上也會取決於所採用的排序演算法，所以仍然不是一個好的演算法。

第三個演算法：

每次隨機抽出兩張牌交換，重復交換一定次數次後結束

void shuffle(int* data, int length)

{

for(int i=0; i<SWAP_COUNTS; i++)

{

//Rand(min, max)返回[min, max)區間內的隨機數

int index1 = Rand(0, length);

int index2 = Rand(0, length);

std::swap(data[index1], data[index2]);

}

}

這又是一個常見的洗牌方法，比較有意思的問題是其中的「交換次數」，我們該如何確定一個合適的交換次數？簡單的計算，交換m次後，具體某張牌始終沒有被抽到的概率為((n-2)/n)^m，如果我們要求這個概率小於1/1000,那麼 m>-3*ln(10)/ln(1-2/n),對於52張牌，這個數大約是176次，需要注意的是，這是滿足「具體某張牌」始終沒有被抽到的概率，如果需要滿足「任意一張牌」沒被抽到的概率小於1/1000，需要的次數還要大一些，但這個概率計算起來比較復雜，有興趣的朋友可以試一下。

Update: 這個概率是，推算過程可以參考這里，根據這個概率，需要交換280次才能符合要求

第四個演算法：

從第一張牌開始，將每張牌和隨機的一張牌進行交換

void shuffle(int* data, int length)

{

for(int i=0; i<length; i++)

{

int index = Rand(0, length);

std::swap(data[i], data[index]);

}

}

很明顯，這個演算法是符合我們先前的要求的，時間復雜度為O(N)，而且也不需要額外的臨時空間，似乎我們找到了最優的演算法，然而事實並非如此，看下一個演算法。

第五個演算法：

void shuffle(int* data, int length)

{

for(int i=1; i<length; i++)

{

int index = Rand(0, i);

std::swap(data[i], data[index]);

}

}

一個有意思的情況出現了，這個演算法和第三種演算法非常相似，從直覺來說，似乎使數據「雜亂」的能力還要弱於第三種，但事實上，這種演算法要強於第三種。要想嚴格的證明這一點並不容易，需要一些數學功底，有興趣的朋友可以參照一下這篇論文，或者matrix67大牛的博文，也可以這樣簡單理解一下，對於n張牌的數據，實際排列的可能情況為n! 種，但第四種演算法能夠產生n^n種排列，遠遠大於實際的排列情況，而且n^n不能被n!整除，所以經過演算法四所定義的牌與牌之間的交換程序，很可能一張牌被換來換去又被換回到原來的位置，所以這個演算法不是最優的。而演算法五輸出的可能組合恰好是n!種，所以這個演算法才是完美的。

事情並沒有結束，如果真的要找一個最優的演算法，還是請出最終的冠軍吧！

第六個演算法：

void shuffle(int* data, int length)

{

std::random_shuffle(data, data+length);

}

沒錯，用c++的標准庫函數才是最優方案，事實上，std::random_shuffle在實現上也是採取了第四種方法，看來還是那句話，「不要重復製造輪子」

不想寫 - -

E. 23個數選6個組合演算法

共有100947組,太多了無法一一列出
23個數取出6個來組成一組,總組數用組合公式計算即可.