算法设计与分析，算法设计策略有哪些

数字是 a，四位数字分别写在 b[4] 上。

对于循环判断一个数组，如果存在相等的不操作，则不相等，写在一个地方。

大于或等于 1000,000 位是非零。

a%b[i]==0，&四位数字。

如果这一切都是真的，那就是被筛选出来的。

算法设计策略如下：

1.分而治之的HTML

分而治之法的设计思路是将一个难以直接解决的大问题分成k个小的子问题，这些子问题彼此独立，与原来的问题相同，然后逐一分解，分而治之。 算法。

2. SPA动态规划

与分区法类似，动态规划的基本思想是将原始问题分解为几个子问题。 在这种情况下，显然没有必要使用分而治之的方法反复解决一些子问题。 在求解过程中，动态规划方法将所有已求解子问题的答案保存下来，从而避免子问题的重复求解。

3.贪婪。 当一个问题具有最佳的子结构属性时，可以通过动态规划来解决。 但有时有一种比动态规划更简单、更直接、更有效的算法——贪婪方法。

贪婪的法老在当下做出了最好的选择，也就是说，贪婪的法老不考虑整体的最优，而只考虑某种意义上的局部最优选择。

4. 回溯。 回溯方法是对问题的解空间树进行深度优先搜索，但在DFS之前，每个节点都需要确定该节点是否可能包含问题的解。 如果确定它不包含它，则跳过对节点根植的子树的搜索，并将搜索分层回其祖先节点。

如果可能，请输入子树并执行 DFS。

5.分支限制。

回溯方法是对解空间进行深度优先搜索，实际上任何搜索整个解空间的算法都可以解决问题。 因此，任何将通用图搜索作为搜索策略的实现都可以解决问题，只要它是详尽的。 除了深度优先搜索之外，我们还可以使用广度优先搜索，分支限制规则是对解空间进行优先级优先搜索。

1）瓜分和征服。

对于尺度为n的问题，如果该问题可以很容易地解决（例如，尺度n较小），则直接求解; 否则，将其分解为k个彼此独立且与原始问题形式相同的较小子问题，这些子问题以递归方式求解，然后将子问题的解组合在一起，得到原始问题的解。

2）回溯法（深度优先）。

回溯法是一种选择性搜索方法，根据选择标准向前搜索以达到目标。 但是，当搜索达到某个步骤，发现原来的选择不是最优的或没有达到目标时，它会退后一步，再次选择。 这种回溯不行又再回去的技术就是回溯法。

3）贪婪法。

它总是在当下做出最佳选择，而不把它作为一个整体来考虑，它在每一步做出的选择只是当前步骤的局部最优选择，而不一定是整体的最优选择。 由于不必穷尽所有可能的解决方案来找到最优解，因此花费的时间更少，通常可以快速获得满意的解，但不能获得最优解。

4）动态规划。

在求解问题时，对于决策的每一步，都列出各种可能的局部解，然后根据一定的判断条件，摒弃一定不能得到最优解的局部解，每一步都筛选出最优解，确保全局解是最优解。

5）分支限制法（宽度优先）。

分而治之算法发现的子问题是相互独立的。

动态规划算法具有最优子结构和重叠子问题的性质。

贪婪算法不追求最优解，而只追求可行解，因此不具备最优子结构的特征。

时间复杂度实际上分为：平均时间复杂度最好是时间复杂度跟最坏情况下的时间复杂度。对于一个算法来说，往往有很多特殊情况，一般来说，我们所说的时间复杂度是指最坏情况下的时间复杂度因为在最坏的情况下，我们能够评估一个算法会有多糟糕，这样我们就可以更好地选择合适的算法来解决问题。

目前常用的时间复杂度表示法是“.大 O 表示法但还有其他符号。

下面是一个可以直接显示各种时间复杂度的好坏的图表：

具有最佳时间复杂度的算法是 o（1），即在有限次内获得结果。 当然，一个算法能否达到o（1）的时间复杂度，要看具体情况，当然我们也希望程序的性能最优，所以算法的时间复杂度可以低于o（n2）一般来说，是很不错的。 不要忘记，除了时间复杂性之外，算法的性能还考虑了空间复杂性，在大多数情况下，通常在时间复杂性和空间复杂性之间进行权衡。

例如，要找到最长的公共子序列，这种动态规划非常简单。