最优设计准则与算法

1. 何谓算法算法有什么性质

算法（algorithm），在数学（算学）和计算机科学之中，为任何一系列良定义的具体计算步骤，常用于计算、数据处理和自动推理。作为一个有效方法，算法被用于计算函数，它包含了一系列定义清晰的指令，并可于有限的时间及空间内清楚的表述出来。

特点：

1、输入：一个算法必须有零个或以上输入量。

2、输出：一个算法应有一个或以上输出量，输出量是算法计算的结果。

3、明确性：算法的描述必须无歧义，以保证算法的实际执行结果是精确地符合要求或期望，通常要求实际运行结果是确定的。

4、有限性：依据图灵的定义，一个算法是能够被任何图灵完备系统模拟的一串运算，而图灵机只有有限个状态、有限个输入符号和有限个转移函数（指令）。而一些定义更规定算法必须在有限个步骤内完成任务。

5、有效性：又称可行性。能够实现，算法中描述的操作都是可以通过已经实现的基本运算执行有限次来实现。

(1)最优设计准则与算法扩展阅读：

常用设计模式

完全遍历法和不完全遍历法：在问题的解是有限离散解空间，且可以验证正确性和最优性时，最简单的算法就是把解空间的所有元素完全遍历一遍，逐个检测元素是否是我们要的解。

这是最直接的算法，实现往往最简单。但是当解空间特别庞大时，这种算法很可能导致工程上无法承受的计算量。这时候可以利用不完全遍历方法——例如各种搜索法和规划法——来减少计算量。

1、分治法：把一个问题分割成互相独立的多个部分分别求解的思路。这种求解思路带来的好处之一是便于进行并行计算。

2、动态规划法：当问题的整体最优解就是由局部最优解组成的时候，经常采用的一种方法。

3、贪心算法：常见的近似求解思路。当问题的整体最优解不是（或无法证明是）由局部最优解组成，且对解的最优性没有要求的时候，可以采用的一种方法。

4、简并法：把一个问题通过逻辑或数学推理，简化成与之等价或者近似的、相对简单的模型，进而求解的方法。

2. 结构优化设计的基本方法

数学规划法的命题是：求n个变量xi(i=l，2，…，n)，满足m个约束条件Gj(xi)≤0 (j=l，2，…，m)，且使目标函数W(xi)为最小(或最大)。如果约束条件和目标函数都是xi的线性函数，这便是线性规划问题，已有成熟的解法；如果在这些函数中有一个是非线性函数，便成为非线性规划问题。随着非线性函数的性质和形式的不同，非线性规划问题有很多类型，特殊的解法很多，在应用上各有局限性，没有普遍适用的最好解法。
用数学规划法来作结构优化设计，变量xi便代表可以变化的各种结构参数，如元件截面积或厚度、节点位置、材料性质等；约束条件Gj(xi)≤0代表设计必须满足的各种限制，例如结构各部位的静应力，动应力或变位不得超过规定的容许值，元件的截面或厚度尺寸不得超出给定的范围，结构的频率不应落在某个禁区，结构的失稳临界力或飞行器的颤振速度不得小于某一下限，等等；而目标函数则代表结构优化所追求的指标，例如，结构重量最小和成本最低等可以定量的指标；也可将重量、造价作为约束条件，而把某种结构性能，例如刚度作为目标函数。
数学规划法的基本目的是，在以设计变量为坐标的多维空间里搜索最优点。如果有n个设计变量，则相应的n维设计变量空间中的每个点都代表一个设计方案。在无限多的点中要尽快地搜索出既满足所有的约束条件，又能使目标函数尽量接近最小值(或最大值)的点，就是数学规划设计法的任务，这种搜索的过程称为“优化过程”。
附图表示一个二维设计空间，图中的一簇曲线是目标函数W(x1，x2)为常数的等值线。约束函数Gj(x1，x2)为零的曲线所围成的区域是可行域。A、B、C点各代表一个可行的方案.围线以外的点(如D)不满足约束条件，所以是不可行方案。显然，满足约束条件并使目标函数W最小的最优方案点是M。数学规划就是要以最迅速的方式找到点M。这好比在山坡上—个用栅栏围起来的区域里找最低点，如果这个山坡不是凹的，则可以断定最低点必在栅栏所在的边界上。数学规划提供了很多搜索的办法，基本原则都是在选好一个出发点后，经过分析判断，找出一个迈步的有利方向，沿这个方向跨出有利的步长以到达新的一点。再从此点出发，重复上述过程，一步一步走下去，直到再也找不到可走的有利方向，就是达到了最低点。从第n点到第(n+1)点这一步可表达为：
式中 为有利方向， 为有利步长系数，它们依靠在点进行的分析所提供的信息来确定。例如，从可行点A出发，沿着等高线的梯度负向，即最陡下降方向逐步走到边界点1，然后再沿着边界逐步走到最低点M，这个方法叫作梯度投影法。实际上还有很多其他的方法。可以看出，如果初始出发点选的是B，用同样的走法也可以走到最低点M；但如果初始点选的是C，那就会走到另一个局部最低点N。M点代表全局最优解，因为它是全部可行域中的最低点。N点只是在它附近的可行域中的最低点，所以是局部最优解。现在还没有一个可靠的实用方法能保证搜索到的解一定是全局最优解。一般是在可能的情况下取若干不同的出发点作几次搜索，以期找到全局最优解。
如果是线性规划问题，搜索过程就简便得多。所以有时把非线性问题转化成一系列线性问题来逼近。为此，在某一设计点附近将目标函数和约束函数都线性化，也就是在该点将函数作泰勒展开，并只保留它们的线性项。然后作有一定步长限制的线性规划，得到新的一点。如此重复下去，直到收敛于最优点为止。
由于不带约束的规划问题比较容易作，所以有时也把有约束问题转化成一个序列的无约束问题。为此，可以把约束表示成一个罚函数加到目标函数上去，构成一个新的目标函数，即
式中 即为罚函数，r是个相当小的正数，它在序列无约束问题中，逐次减小。因为r值很小，当代表某一设计方案的点在离开边界较远的可行域内部行动时，;但是当接近可行域的边界．某约束函数Gj(xi)将由负值趋近于零，于是罚函数急剧增大，因此，的最小点不可能越过可行域边界。r越小，无约束问题的W最小点越接近于有约束问题的W最小点。但是如果一开始就取很小的r，无约束问题将遇到收敛上的困难，所以有必要将有约束问题化成一个序列的无约束问题，让系数r在这个序列中逐渐减小到适当的程度。
此外，还有一些非线性规划的特殊方法，如几何规划和动态规划，各有其适应的范围，在结构优化设计中也得到应用。 以满足某种准则来代替目标函数在约束条件下取极值的方法，叫作优化准则法。最简单的一个优化准则法，便是前面提到的满应力设计方法。只有对于内力分布不随设计变量改变而变化的静定结构，而且容许应力与设计变量无关的情况下，才能通过一次结构分析和修改设计得出满应力结构。对于其他情况，为使各元件趋向于满应力，必须进行下列的选代：

式中 和 为第n次迭代的第i元件的截面积和最大应力， 为第i元件的容许应力。公式给出经过修正的第i元件的截面积 。迭代收敛时， ，就达到 的满应力准则。满应力准则和结构最小重量之间没有必然的联系，但是一般的满应力设计可能相当接近于甚至就等于最轻设计。当然，这个方法只适用于受应力约束的最轻设计问题。
60年代末，出现了更科学的优化准则法。它通过数学推演，把在一定约束下求最轻设计化为求满足某种优化准则的设计，举只有一个变位约束优化设计问题为例：求xi，满足在单约束G(xi)≤0的条件下，使W(xi)最小(i=1，2，…，n)。可以用目标函数和约束函数建立一个新的混合函数，即拉格朗日函数：

式中λ为一个待定的拉格朗日乘子。原来的约束极值问题等价于：

由此得：

这便是关于单约束优化设计必须满足的准则。优化设计x，必须使优化函数和目标函数对任一个设计变量xi的偏导数的比值是同一个常数。如果约束函数G是某处的变位，则 表示设计变量xi作单位增长时变位值的减小，即结构的刚度收益；如果目标函数W是结构的总重量，则 表示xi作单位增长时重量的增加，即付出的代价。因此，上述准则可以理解为：最轻设计必须满足的条件是：当任何一个自由设计变量作单位变化时，结构的刚度收益和重量支出的比值应彼此相等，即都等于某一常数。也可以说，在最轻结构中，自由设计变量都被调整到具有相等的优化效率。这意味着对结构刚度贡献大的设计变量，应该多负点重量。用这个准则，可以建立一套迭代算法，从某个初始方案开始，用选代方法逐步使这个准则得到满足，最后获得优化方案。如果是多约束问题，约束不止一个，优化准则便是：

式中λj是对应于第j个有效约束Gi的拉格朗日乘子，可以理解为:

的权系数。所有λj都应为非负值，即λj≥0；如果由准则算出的某λj为负值，则相应的约束就是不起作用的松约束，应该取这个λj为零值。多约束的算法，要比单约束复杂，其困难在于每一步选代都要区别出起作用的和不起作用的约束。
优化准则法自60年代末以来被成功地用于航空结构设计。它的优点是算法简单，收敛快，不受变量多少的影响。一般经过十次左右的迭代，就可满足设计要求。选代次数的多少，在实际的结构优化设计中极为重要。因为选代一次，就需要将结构重新分析一次，而作一次结构分析的代价是很大的。

3. 设计算法的原则

设计算法的原则：

1、正确性：算法的正确性是指算法至少应该具有输入、输出和加工处理无歧义性、能正确反映问题的需要、能够得到问题的正确答案。

2、可读性：设计算法的目的，一方面是为了让计算机执行，但还有一个重要的目的就是为了便于他人的阅读，让人理解和交流，自己将来也可阅读。如果可读性不好，时间长了自己都不知道写了什么，可读性是评判算法（也包括实现它的程序代码）好坏很重要的标志。

3、健壮性：当输入的数据非法时，算法应当恰当地做出反应或进行相应处理，而不是莫名其妙的输出结果。并且处理出错的方法不应是中断程序的执行，而应是返回一个表示错误或错误性质的值，以便于在更高的抽象层次上进行处理。

4、高效率与低存储量：通常，算法的效率指的是算法的执行时间；算法的存储量指的是算法执行过程中所需要的最大存储空间，两者的复杂度都与问题的规模有关。算法分析的任务是对设计的每一个具体的算法，利用数学工具，讨论其复杂度，探讨具体算法对问题的适应性。

(3)最优设计准则与算法扩展阅读：

算法的“正确”通常在用法上有很大的差别，大体分为以下4个层次：

1、算法程序没有语法错误；

2、算法程序能够根据正确的输入的值得到满足要求的输出结果；

3、算法程序能够根据错误的输出的值满足规格说明的输出结果；

4、算法程序对于精心设计、极其刁难的测试数据都能满足要求的输出结果。

对于这4层含义，层次要求最低，因为仅仅没有语法错误实在谈不上是好的算法。而层次（4）是最困难的，人们几乎不可能逐一验证所有的输入都得到正确的结果。因此，算法的正确性在大部分情况下都不可能用程序来证明，而是用数学方法证明的。

4. 结构优化设计的方法简介

1．简单解法
当优化问题的变量较少时，可用下列简单解法。
（1）图解法。在设计空间中作出可行域和目标函数等值面，再从图形上找出既在可行域内（或其边界内），又使目标函数值最小的设计点的位置。
（2）解析法。当问题比较简单时，可用解析法求解。
2．准则法
准则法是从工程和力学观点出发，提出结构达到优化设计时应满足的某些准则（如同步失效准则、满应力准则、能量准则等），然后用迭代的方法求出满足这些准则的解。该方法的主要特点是收敛快，重分析次数与设计变量数目无直接关系，计算量不大，但适用有局限性，主要适用于结构布局及几何形状已定的情况。尽管准则法有它的缺点，但从工程应用的角度来看，它比较方便，习惯上易于接受，优点仍是主要的。最简单的准则法有同步失效准则法和满应力准则法。
（1）同步失效准则法。其基本思想可概括为：在荷载作用下，能使所有可能发生的破坏模式同时实现的结构是最优的结构。同步失效准则设计有许多明显的缺点。由于要用解析表达式进行代数运算，同步失效设计只能用来处理非常简单的元件优化；当约束数大于设计变量数时，必须设法确定那些破坏模式应当同时发生才给出最优设计，这通常是一件十分困难的工作；当约束数和设计变量数相等时，并不能保证这样求得的解是最优解。
（2）满应力准则法。该法认为充分发挥材料强度的潜力，可以算是结构优化的一个标志，以杆件满应力作为优化设计的准则。这一方法在杆件系统如桁架的优化设计中用得较多。在此基础上又发展了与射线步结合的齿行法以及框架等复杂结构的满应力设计。
3．数学规划法
将结构优化问题归纳为一个数学规划问题，然后用数学规划法来求解。结构优化中常用的数学规划方法是非线性规划，有时也用线性规划，特殊情况可能用到动态规划、几何规划、整数规划或随机规划等。
（1）线性规划。当目标函数和约束方程都是设计变量的线性函数时，称为线性规划问题。该类问题的解法比较成熟，其中常用的解法是单纯形法。
（2）非线性规划。当目标函数或约束方程为设计变量的非线性函数时，称为非线性规划。结构优化设计多为有约束的非线性规划问题。这类问题较线性规划问题复杂得多，难度较大，目前采用的方法大致有以下几种类型：不作转换但需求导数的分析方法，如梯度投影法、可行方向法等；不作转换也不需求导数的直接搜索方法，如复形法；采用线性规划来逐次逼近，如序列线性规划法；转换为无约束极值问题求解，如罚函数法、乘子法等。
4．混合法
混合法即同时采用准则法和数学规划法。
5．启发式算法
近些年来发展起来了一些启发式算法。这些算法有遗传算法（GA）、神经网络算法、模拟退火算法等。它们在结构优化领域得到了一些应用。

5. 高层建筑结构优化算法有哪几种

高层建筑结构优化算法：
①优化准则法一从直观的力学原理出发，选定使结构达到最优的准则，然后根据这些准则选取适当的迭代格式，寻求结构的最优解。
②数学规划法一从解极值问题的数学原理出发，运用数学规划方法求得一系列设计参数的最优解。
结构优化设计：
在给定约束条件下，按某种目标(如重量最轻、成本最低、刚度最大等)求出最好的设计方案，曾称为结构最佳设计或结构最优设计，相对于“结构分析”而言，又称“结构综合”；如以结构的重量最小为目标，则称为最小重量设计。

6. 优化设计算法的收敛准则有哪些

点距准则
函数下降量准则
梯度准则

7. 算法设计原则是什么

原则：首先说设计的算法必须是"正确的"，其次应有很好的"可读性"，还必须具有"健壮性"，最后应考虑所设计的算法具有"高效率与低存储量"。

所谓算法是正确的，除了应该满足算法说明中写明的"功能"之外，应对各组典型的带有苛刻条件的输入数据得出正确的结果。

在算法是正确的前提下，算法的可读性是摆在第一位的，这在当今大型软件需要多人合作完成的环境下是换重要的，另一方面，晦涩难读的程序易于隐藏错误而难以调试。算法的效率指的是算法的执行时间，算法的存储量指的是算法执行过程中所需最大存储空间。

算法是程序设计的另一个不可缺的要素，因此在讨论数据结构的同时免不了要讨论相应的算法。这里有两重意思，即算法中的操作步骤为有限个，且每个步骤都能在有限时间内完成。

确定性表现在对算法中每一步的描述都没有二义性，只要输入相同，初始状态相同，则无论执行多少遍，所得结果都应该相同。

可行性指的是，序列中的每个操作都是可以简单完成的，其本身不存在算法问题，例如，"求x和y的公因子"就不够基本。

输入值即为算法的操作对象，但操作的对象也可以由算法自身生成，如"求100以内的素数"，操作对象是自然数列，可以由变量逐个增1生成。

算法的健壮性指的是，算法应对非法输入的数据作出恰当反映或进行相应处理，一般情况下，应向调用它的函数返回一个表示错误或错误性质的值。

8. 统计学中什么是最优设计原则

楼主理解正确。单因素实验确定的最佳工艺条件是局部最优，而正交表确定的最佳工艺条件是综合各因素下的最优，两者不一定重合，而全局最优条件需要通过计算确定，后进行验证。

9. 衡量算法效率的方法与准则

算法效率与分析
数据结构作为程序设计的基础，其对算法效率的影响必然是不可忽视的。本文就如何合理选择数据结构来优化算法这一问题，对选择数据结构的原则和方法进行了一些探讨。首先对数据逻辑结构的重要性进行了分析，提出了选择逻辑结构的两个基本原则；接着又比较了顺序和链式两种存储结构的优点和缺点，并讨论了选择数据存储结构的方法；最后本文从选择数据结构的的另一角度出发，进一步探讨了如何将多种数据结构进行结合的方法。在讨论方法的同时，本文还结合实际，选用了一些较具有代表性的信息学竞赛试题举例进行了分析
【正文】一、引论
“数据结构＋算法＝程序”，这就说明程序设计的实质就是对确定的问题选择一种合适的数据结构，加上设计一种好的算法。由此可见，数据结构在程序设计中有着十分重要的地位。
数据结构是相互之间存在一种或多种特定关系的数据元素的集合。因为这其中的“关系”，指的是数据元素之间的逻辑关系，因此数据结构又称为数据的逻辑结构。而相对于逻辑结构这个比较抽象的概念，我们将数据结构在计算机中的表示又称为数据的存储结构。
建立问题的数学模型，进而设计问题的算法，直至编出程序并进行调试通过，这就是我们解决信息学问题的一般步骤。我们要建立问题的数学模型，必须首先找出问题中各对象之间的关系，也就是确定所使用的逻辑结构；同时，设计算法和程序实现的过程，必须确定如何实现对各个对象的操作，而操作的方法是决定于数据所采用的存储结构的。因此，数据逻辑结构和存储结构的好坏，将直接影响到程序的效率。

二、选择合理的逻辑结构

在程序设计中，逻辑结构的选用就是要分析题目中的数据元素之间的关系，并根据这些特定关系来选用合适的逻辑结构以实现对问题的数学描述，进一步解决问题。逻辑结构实际上是用数学的方法来描述问题中所涉及的操作对象及对象之间的关系，将操作对象抽象为数学元素，将对象之间的复杂关系用数学语言描述出来。
根据数据元素之间关系的不同特性，通常有以下四种基本逻辑结构：集合、线性结构、树形结构、图状（网状）结构。这四种结构中，除了集合中的数据元素之间只有“同属于一个集合”的关系外，其它三种结构数据元素之间分别为“一对一”、“一对多”、“多对多”的关系。
因此，在选择逻辑结构之前，我们应首先把题目中的操作对象和对象之间的关系分析清楚，然后再根据这些关系的特点来合理的选用逻辑结构。尤其是在某些复杂的问题中，数据之间的关系相当复杂，且选用不同逻辑结构都可以解决这一问题，但选用不同逻辑结构实现的算法效率大不一样。
对于这一类问题，我们应采用怎样的标准对逻辑结构进行选择呢？
下文将探讨选择合理逻辑结构应充分考虑的两个因素。

一、 充分利用“可直接使用”的信息。
首先，我们这里所讲的“信息”，指的是元素与元素之间的关系。
对于待处理的信息，大致可分为“可直接使用”和“不可直接使用”两类。对于“可直接使用”的信息，我们使用时十分方便，只需直接拿来就可以了。而对于“不可直接使用”的这一类，我们也可以通过某些间接的方式，使之成为可以使用的信息，但其中转化的过程显然是比较浪费时间的。
由此可见，我们所需要的是尽量多的“可直接使用”的信息。这样的信息越多，算法的效率就会越高。
对于不同的逻辑结构，其包含的信息是不同的，算法对信息的利用也会出现不同的复杂程度。因此，要使算法能够充分利用“可直接使用”的信息，而避免算法在信息由“不可直接使用”向“可直接使用”的转化过程中浪费过多的时间，我们必然需要采用一种合理的逻辑结构，使其包含更多“可直接使用”的信息。
〖问题一〗 IOI99的《隐藏的码字》。
〖问题描述〗
问题中给出了一些码字和一个文本，要求编程找出文本中包含这些码字的所有项目，并将找出的项目组成一个最优的“答案”，使得答案中各项目所包含的码字长度总和最大。每一个项目包括一个码字，以及该码字在文本中的一个覆盖序列（如’abcadc’就是码字’abac’的一个覆盖序列），并且覆盖序列的长度不超过1000。同时，“答案”要求其中每个项目的覆盖序列互相没有重叠。
〖问题分析〗
对于此题，一种较容易得出的基本算法是：对覆盖序列在文本中的终止位置进行循环，再判断包含了哪些码字，找出所有项目，并最后使用动态规划的方法将项目组成最优的“答案”。
算法的其它方面我们暂且不做考虑，而先对问题所采用的逻辑结构进行选择。
如果我们采用线性的逻辑结构（如循环队列），那么我们在判断是否包含某个码字t时，所用的方法为：初始时用指针p指向终止位置，接着通过p的不断前移，依次找出码字t从尾到头的各个字母。例如码字为“ABDCAB”，而文本图1-1，终止位置为最右边的箭头符号，每个箭头代表依次找到的码字的各个字母。
指针p的移动方向
A B D C A B

C D A C B D C A D C D B A D C C B A D

图1-1

由于题目规定码字的覆盖序列长度不超过1000，所以进行这样的一次是否包含的判断，其复杂度为O(1000)。
由于码字t中相邻两字母在文本中的位置，并非只有相邻(如图1-1中的’D’和’C’)这一种关系，中间还可能间隔了许多的字母(如图1-1中’C’和’A’就间隔了2个字母)，而线性结构中拥有的信息，仅仅只存在于相邻的两元素之间。通过这样简单的信息来寻找码字的某一个字母，其效率显然不高。
如果我们建立一个有向图，其中顶点i(即文本的第i位)用52条弧分别连接’a’..’z’,’A’..’Z’这52个字母在i位以前最后出现的位置（如图1-2的连接方式），我们要寻找码字中某个字母的前一个字母，就可以直接利用已连接的边，而不需用枚举的方法。我们也可以把问题看为：从有向图的一个顶点出发，寻找一条长度为length(t)-1的路径，并且路径中经过的顶点，按照码字t中的字母有序。

C D A C B D C A D C D B A D C C B A D

图1-2
通过计算，用图进行记录在空间上完全可以承受(记录1000个点×52条弧×4字节的长整型=200k左右)。在时间上，由于可以充分利用第i位和第i+1位弧的连接方式变化不大这一点(如图1-2所示，第i位和第i+1位只有一条弧的指向发生了变化，即第i+1位将其中一条弧指向了第i位)，所以要对图中的弧进行记录，只需对弧的指向进行整体赋值，并改变其中的某一条弧即可。
因此，我们通过采用图的逻辑结构，使得寻找字母的效率大大提高，其判断的复杂度为O(length(t))，最坏为O(100)，比原来方法的判断效率提高了10倍。
（附程序codes.pas）

对于这个例子，虽然用线性的数据结构也可以解决，但由于判断的特殊性，每次需要的信息并不能从相邻的元素中找到，而线性结构中只有相邻元素之间存在关系的这一点，就成为了一个很明显的缺点。因此，问题一线性结构中的信息，就属于“不可直接使用”的信息。相对而言，图的结构就正好满足了我们的需要，将所有可能产生关系的点都用弧连接起来，使我们可以利用弧的关系，高效地进行判断寻找的过程。虽然图的结构更加复杂，但却将“不可直接使用”的信息，转化成为了“可直接使用”的信息，算法效率的提高，自然在情理之中。。
二、 不记录“无用”信息。
从问题一中我们看到，由于图结构的信息量大，所以其中的信息基本上都是“可用”的。但是，这并不表示我们就一定要使用图的结构。在某些情况下，图结构中的“可用”信息，是有些多余的。
信息都“可用”自然是好事，但倘若其中“无用”（不需要）的信息太多，就只会增加我们思考分析和处理问题时的复杂程度，反而不利于我们解决问题了。
〖问题二〗 湖南省1997年组队赛的《乘船问题》
〖问题描述〗
有N个人需要乘船，而每船最多只能载两人，且必须同名或同姓。求最少需要多少条船。
〖问题分析〗
看到这道题，很多人都会想到图的数据结构：将N个人看作无向图的N个点，凡同名或同姓的人之间都连上边。
要满足用船最少的条件，就是需要尽量多的两人共乘一条船，表现在图中就是要用最少的边完成对所有顶点的覆盖。这就正好对应了图论的典型问题：求最小边的覆盖。所用的算法为“求任意图最大匹配”的算法。
使用“求任意图最大匹配”的算法比较复杂(要用到扩展交错树，对花的收缩等等)，效率也不是很高。因此，我们必须寻找一个更简单高效的方法。
首先，由于图中任两个连通分量都是相对独立的，也就是说任一条匹配边的两顶点，都只属于同一个连通分量。因此，我们可以对每个连通分量分别进行处理，而不会影响最终的结果。
同时，我们还可以对需要船只s的下限进行估计：
对于一个包含Pi个顶点的连通分量，其最小覆盖边数显然为[Pi/2]。若图中共有L个连通分量，则s=∑[Pi/2](1<=i<=L)。
然后，我们通过多次尝试，可得出一个猜想：
实际需要的覆盖边数完全等于我们求出的下限∑[Pi/2](1<=i<=L)。
要用图的结构对上述猜想进行证明，可参照以下两步进行：
1． 连通分量中若不存在度为1的点，就必然存在回路。
2． 从图中删去度为1的点及其相邻的点，或删去回路中的任何一边，连通分量依然连通，即连通分量必然存在非桥边。
由于图的方法不是这里的重点，所以具体证明不做详述。而由采用图的数据结构得出的算法为：每次输出一条非桥的边，并从图中将边的两顶点删去。此算法的时间复杂度为O(n3)。（寻找一条非桥边的复杂度为O(n2)，寻找覆盖边操作的复杂度为O(n)）
由于受到图结构的限制，时间复杂度已经无法降低，所以如果我们要继续对算法进行优化，只有考虑使用另一种逻辑结构。这里，我想到了使用二叉树的结构，具体说就是将图中的连通分量都转化为二叉树，用二叉树来解决问题。
首先，我们以连通分量中任一个顶点作为树根，然后我们来确定建树的方法。
1． 找出与根结点i同姓的点j（j不在二叉树中）作为i的左儿子，再以j为树根建立子树。
2． 找出与根结点i同名的点k（k不在二叉树中）作为i的右儿子，再以k为树根建立子树。
如图2-1-1中的连通分量，我们通过上面的建树方法，可以使其成为图2-1-2中的二叉树的结构(以结点1为根)。（两点间用实线表示同姓，虚线表示同名）

图2-1-2

图2-1-1
接着，我就来证明这棵树一定包含了连通分量中的所有顶点。
【引理2.1】
若二叉树T中包含了某个结点p，那么连通分量中所有与p同姓的点一定都在T中。
证明：
为了论证的方便，我们约定：s表示与p同姓的顶点集合；lc[p,0]表示结点p，lc[p,i](i>0)表示lc[p,i-1]的左儿子，显然lc[p,i]与p是同姓的。
假设存在某个点q，满足qs且qT。由于s是有限集合，因而必然存在某个lc[p,k]无左儿子。则我们可以令lc[p,k+1]=q，所以qT，与假设qT相矛盾。
所以假设不成立，原命题得证。

由引理2.1的证明方法，我们同理可证引理2.2。
【引理2.2】
若二叉树T中包含了某个结点p，那么连通分量中所有与p同名的点一定都在T中。

有了上面的两个引理，我们就不难得出下面的定理了。
【定理一】
以连通分量中的任一点p作为根结点的二叉树，必然能够包含连通分量中的所有顶点。
证明：
由引理2.1和引理2.2，所有与p同姓或同名的点都一定在二叉树中，即连通分量中所有与p有边相连的点都在二叉树中。由连通分量中任两点间都存在路径的特性，该连通分量中的所有点都在二叉树中。

在证明二叉树中包含了连通分量的所有顶点后，我们接着就需要证明我们的猜想，也就是下面的定理：
【定理二】包含m个结点的二叉树Tm，只需要船的数量为boat[m]=[m/2](mN)。
证明：
(i) 当m=1,m=2,m=3时命题显然成立。

图2-2-1

图2-2-2

图2-2-3
(ii) 假设当m<k(k>3)时命题成立，那么当m=k时，我们首先从树中找到一个层次最深的结点，并假设这个结点的父亲为p。那么，此时有且只有以下三种情况（结点中带有阴影的是p结点）：
(1) 如图2-2-1，p只有一个儿子。此时删去p和p唯一的儿子，Tk就成为了Tk-2，则boat[k]=boat[k-2]+1=[(k-2)/2]+1=[k/2]。
(2) 如图2-2-2，p有两个儿子，并且p是其父亲的左儿子。此时可删去p和p的右儿子，并可将p的左儿子放到p的位置上。同样地，Tk成为了Tk-2，boat[k]=boat[k-2]+1=[k/2]。
(3) 如图2-2-3，p有两个儿子，并且p是其父亲的右儿子。此时可删去p和p的左儿子，并可将p的右儿子放到p的位置上。情况与(2)十分相似，易得此时得boat[k]=boat[k-2]+1=[k/2]。
综合(1)、(2)、(3)，当m=k时，boat[k]=[k/2]。
最后，综合(i)、(ii)，对于一切mN，boat[m]=[m/2]。

由上述证明，我们将问题中数据的图结构转化为树结构后，可以得出求一棵二叉树的乘船方案的算法：
proc try(father:integer;var root:integer;var rest:byte);
{输出root为树根的子树的乘船方案，father=0表示root是其父亲的左儿子，
father=1表示root是其父亲的右儿子，rest表示输出子树的乘船方案后，
是否还剩下一个根结点未乘船}
begin
visit[root]:=true; {标记root已访问}
找到一个与root同姓且未访问的结点j;
if j<>n+1 then try(0,j,lrest);
找到一个与root同姓且未访问的结点k;
if k<>n+1 then try(1,k,rrest);
if (lrest=1) xor (rrest=1) then begin {判断root是否只有一个儿子，情况一}
if lrest=1 then print(lrest,root) else print(rrest,root);
rest:=0;
end
else if (lrest=1) and (rrest=1) then begin {判断root是否有两个儿子}
if father=0 then begin
print(rrest,root);root:=j; {情况二}
end
else begin
print(lrest,root);root:=k; {情况三}
end;
rest:=1;
end
else rest:=1;
end;

这只是输出一棵二叉树的乘船方案的算法，要输出所有人的乘船方案，我们还需再加一层循环，用于寻找各棵二叉树的根结点，但由于每个点都只会访问一次，寻找其左右儿子各需进行一次循环，所以算法的时间复杂度为O(n2)。（附程序boat.pas）

最后，我们对两种结构得出不同时间复杂度算法的原因进行分析。其中最关键的一点就是因为二叉树虽然结构相对较简单，但已经包含了几乎全部都“有用”的信息。由我们寻找乘船方案的算法可知，二叉树中的所有边不仅都发挥了作用，而且没有重复的使用，可见信息的利用率也是相当之高的。
既然采用树结构已经足够，图结构中的一些信息就显然就成为了“无用”的信息。这些多余的“无用”信息，使我们在分析问题时难于发现规律，也很难找到高效的算法进行解决。这正如迷宫中的墙一样，越多越难走。“无用”的信息，只会干扰问题的规律性，使我们更难找出解决问题的方法。

小结
我们对数据的逻辑结构进行选择，是构造数学模型一大关键，而算法又是用来解决数学模型的。要使算法效率高，首先必须选好数据的逻辑结构。上面已经提出了选择逻辑结构的两个条件（思考方向），总之目的是提高信息的利用效果。利用“可直接使用”的信息，由于中间不需其它操作，利用的效率自然很高；不不记录“无用”的信息，就会使我们更加专心地研究分析“有用”的信息，对信息的使用也必然会更加优化。
总之，在解决问题的过程中，选择合理的逻辑结构是相当重要的环
三、 选择合理的存储结构
数据的存储结构，分为顺序存储结构和链式存储结构。顺序存储结构的特点是借助元素在存储器中的相对位置来表示数据元素之间的逻辑关系；链式存储结构则是借助指示元素存储地址的指针表示数据元素之间的逻辑关系。
因为两种存储结构的不同，导致这两种存储结构在具体使用时也分别存在着优点和缺点。
这里有一个较简单的例子：我们需要记录一个n×n的矩阵，矩阵中包含的非0元素为m个。
此时，我们若采用顺序存储结构，就会使用一个n×n的二维数组，将所有数据元素全部记录下来；若采用链式存储结构，则需要使用一个包含m个结点的链表，记录所有非0的m个数据元素。由这样两种不同的记录方式，我们可以通过对数据的不同操作来分析它们的优点和缺点。
1． 随机访问矩阵中任意元素。由于顺序结构在物理位置上是相邻的，所以可以很容易地获得任意元素的存储地址，其复杂度为O(1)；对于链式结构，由于不具备物理位置相邻的特点，所以首先必须对整个链表进行一次遍历，寻找需进行访问的元素的存储地址，其复杂度为O(m)。此时使用顺序结构显然效率更高。
2． 对所有数据进行遍历。两种存储结构对于这种操作的复杂度是显而易见的，顺序结构的复杂度为O(n2)，链式结构为O(m)。由于在一般情况下m要远小于n2，所以此时链式结构的效率要高上许多。
除上述两种操作外，对于其它的操作，这两种结构都不存在很明显的优点和缺点，如对链表进行删除或插入操作，在顺序结构中可表示为改变相应位置的数据元素。
既然两种存储结构对于不同的操作，其效率存在较大的差异，那么我们在确定存储结构时，必须仔细分析算法中操作的需要，合理地选择一种能够“扬长避短”的存储结构。

一、合理采用顺序存储结构。
我们在平常做题时，大多都是使用顺序存储结构对数据进行存储。究其原因，一方面是出于顺序结构操作方便的考虑，另一方面是在程序实现的过程中，使用顺序结构相对于链式结构更便于对程序进行调试和查找错误。因此，大多数人习惯上认为，能够使用顺序结构进行存储的问题，最“好”采用顺序存储结构。
其实，这个所谓的“好”只是一个相对的标准，是建立在以下两个前提条件之下的：
1． 链式结构存储的结点与顺序结构存储的结点数目相差不大。这种情况下，由于存储的结点数目比较接近，使用链式结构完全不能体现出记录结点少的优点，并且可能会由于指针操作较慢而降低算法的效率。更有甚者，由于指针自身占用的空间较大，且结点数目较多，因而算法对空间的要求可能根本无法得到满足。
2． 并非算法效率的瓶颈所在。由于不是算法最费时间的地方，这里是否进行改进，显然是不会对整个算法构成太大影响的，若使用链式结构反而会显得操作过于繁琐。

二、必要时采用链式存储结构。
上面我对使用顺序存储结构的条件进行了分析，最后就只剩下何时应该采用链式存储结构的问题了。
由于链式结构中指针操作确实较繁琐，并且速度也较慢，调试也不方便，因而大家一般都不太愿意用链式的存储结构。但是，这只是一般的观点，当链式结构确实对算法有很大改进时，我们还是不得不进行考虑的。
〖问题三〗 IOI99的《地下城市》。
〖问题描述〗
已知一个城市的地图，但未给出你的初始位置。你需要通过一系列的移动和探索，以确定初始时所在的位置。题目的限制是：
1． 不能移动到有墙的方格。
2． 只能探索当前所在位置四个方向上的相邻方格。
在这两个限制条件下，要求我们的探索次数（不包括移动）尽可能的少。
〖问题分析〗
由于存储结构要由算法的需要确定，因此我们首先来确定问题的算法。
经过对问题的分析，我们得出解题的基本思想：先假设所有无墙的方格都可能是初始位置，再通过探索一步步地缩小初始位置的范围，最终得到真正的初始位置。同时，为提高算法效率，我们还用到了分治的思想，使我们每一次探索都尽量多的缩小初始位置的范围(使程序尽量减少对运气的依赖)。
接着，我们来确定此题的存储结构。
由于这道题的地图是一个二维的矩阵，所以一般来讲，采用顺序存储结构理所当然。但是，顺序存储结构在这道题中暴露了很大的缺点。我们所进行的最多的操作，一是对初始位置的范围进行筛选，二是判断要选择哪个位置进行探索。而这两种操作，所需要用到的数据，只是庞大地图中很少的一部分。如果采用顺序存储结构(如图3-1中阴影部分表示已标记)，无论你需要用到多少数据，始终都要完全的遍历整个地图。

4
3
2
1
1 2 3 4
图3-1

head

图3-2
然而，如果我们采用的是链式存储结构(如图3-2的链表)，那么我们需要多少数据，就只会遍历多少数据，这样不仅充分发挥了链式存储结构的优点，而且由于不需单独对某一个数据进行提取，每次都是对所有数据进行判断，从而避免了链式结构的最大缺点。
我们使用链式存储结构，虽然没有降低问题的时间复杂度(链式存储结构在最坏情况下的存储量与顺序存储结构的存储量几乎相同)，但由于体现了前文所述选择存储结构时扬长避短的原则，因而算法的效率也大为提高。（程序对不同数据的运行时间见表3-3）
测试数据编号 使用顺序存储结构的程序 使用链式存储结构的程序
1 0.06s 0.02s
2 1.73s 0.07s
3 1.14s 0.06s
4 3.86s 0.14s
5 32.84s 0.21s
6 141.16s 0.23s
7 0.91s 0.12s
8 6.92s 0.29s
9 6.10s 0.23s
10 17.41s 0.20s

表3-3
（附使用链式存储结构的程序under.pas）
我们选择链式的存储结构，虽然操作上可能稍复杂一些，但由于改进了算法的瓶颈，算法的效率自然也今非昔比。由此可见，必要时选择链式结构这一方法，其效果是不容忽视的。
小结
合理选择逻辑结构，由于牵涉建立数学模型的问题，可能大家都会比较注意。但是对存储结构的选择，由于不会对算法复杂度构成影响，所以比较容易忽视。那么，这种不能降低算法复杂度的方法是否需要重视呢？
大家都知道，剪枝作为一种常用的优化算法的方法，被广泛地使用，但剪枝同样是无法改变算法的复杂度的。因此，作用与剪枝相似的存储结构的合理选择，也是同样很值得重视的。
总之，我们在设计算法的过程中，必须充分考虑存储结构所带来的不同影响，选择最合理的存储结构。

四、 多种数据结构相结合

上文所探讨的，都是如何对数据结构进行选择，其中包含了逻辑结构的选择和存储结构的选择，是一种具有较大普遍性的算法优化方法。对于多数的问题，我们都可以通过选择一种合理的逻辑结构和存储结构以达到优化算法的目的。
但是，有些问题却往往不如人愿，要对这类问题的数据结构进行选择，常常会顾此失彼，有时甚至根本就不存在某一种合适的数据结构。此时，我们是无法选择出某一种合适的数据结构的，以上的方法就有些不太适用了。
为解决数据结构难以选择的问题，我们可以采用将多种数据结构进行结合的方法。通过多种数据结构相结合，达到取长补短的作用，使不同的数据结构在算法中发挥出各自的优势。
这只是我们将多种数据结构进行结合的总思想，具体如何进行结合，我们可以先看下面的例子。
我们可以采用映射的方法，将线性结构中的元素与堆中间的结点一一对应起来，若线性的数组中的元素发生变化，堆中相应的结点也接着变化，堆中的结点发生变化，数组中相应的元素也跟着变化。
将两种结构进行结合后，无论是第一步还是第二步，我们都不需对所有元素进行遍历，只需进行常数次复杂度为O(log2n)的堆化操作。这样，整个时间复杂度就成为了O(nlog2n)，算法效率无疑得到了很大提高。

五、 总结
我们平常使用数据结构，往往只将其作为建立模型和算法实现的工具，而没有考虑这种工具对程序效率所产生的影响。信息学问题随着难度的不断增大，对算法时空效率的要求也越来越高，而算法的时空效率，在很大程度上都受到了数据结构的制约。

10. 算法的设计原则是什么

1.穷举算法思想

穷举算法思想就是从所有的可能结果中一个一个的试验，知道试出正确的结果。具体的操作步骤如下：

1)对每一种可能的结果，计算其结果；

2)判断结果是否符合题目要求，如果符合则该结果正确，如果不符合则继续进行第1)步骤。

穷举算法思想的经典例子为鸡兔同笼为题（又称龟鹤同笼问题），题目为“一个笼子里有鸡兔，共15个头、46条腿，问鸡兔各有多少只？”。代码如下：

public static void main(String[] args) {

int head = 0;
int leg = 0;
System.out.println( "输入鸡兔头数：");
Scanner input=new Scanner(System.in);
head = input.nextInt();
System.out.println( "输入鸡兔腿数：");
Scanner input1=new Scanner(System.in);
leg = input1.nextInt();

boolean existence = false;
for( int i = 0; i <= head; i++){
if( 2 * i + 4 * ( head - i) == leg){
System.out.println( "鸡的个数 :" + i);
System.out.println( "兔的个数 :" + ( head - i));
existence = true;
}
}

if( !existence){
System.out.println( "你输入的数据不正确");
}
}

2.递推算法思想

递推算法算法就是根据已知条件，利用特定关系推导出中间推论，直到得到结果的算法。

递推算法思想最经典的例子是斐波那契数列 : 1,1,2,3,5,8,13......

上面的数列符合F(n) = F(n-1) + F(n-2).代码如下：

public static void main(String[] args) {
Scanner input=new Scanner(System.in);
int n = input.nextInt();
System.out.println( fibonacci( n));
}

public static int fibonacci( int n){
if( n == 1){
return 1;
}else if( n == 2){
return 1;
}else{
return fibonacci( n - 1) + fibonacci( n - 2);
}
}

3.递归算法思想

递归算法思想是把大问题转换成同类问题的子问题，然后递归调用函数表示问题的解。

在使用递归的时候一定要注意调回递归函数的终止条件。

递归算法比较经典的例子是求阶乘。代码如下：

public static void main(String[] args) {
System.out.println( "输入一个大于零的数：");
Scanner input=new Scanner(System.in);
int n = input.nextInt();
System.out.println( factorial( n));
}

public static int factorial( int n){
if( n == 0){
return 1;
}else if( n == 1){
return 1;
}else{