MIT 6.00 导论课程笔记（三）

Lecture 09

二分法

实际上是重复了 Lecture 8 的内容。

Lisp语言存储列表是使用了box pointer diagram，使用的是链表，每一个盒子有两个指针，一个指向下一个位置，一个指向值对象。这种存储链表的方式如果要找到第i个列表元素的话，需要按顺序一个一个的来，即线性查找时间。

Python和Fortran语言改进了这一问题，采用了另一种方式来存储列表。使用一整块来存储数据，每一块中每一个格子都有一个指针，指针指向值对象。

这两种的区别在于Python的方法省去了指向下一个指针，直接分配一整块内存给链表。这两种方法各有优劣，都是对访问时间和空间权衡之后得出的决策。

二分法隐藏的通用思想

Pick the mid point

Check to see if this is answer

If not, reduce to small problem repeat

我们应该在search之前sort吗？

搜索无序表时，复杂度为n。

搜索有序表时，复杂度最快为nlogn。

然而，如果我们要搜索 k 次呢？

搜索无序表时，复杂度为kn

4000

搜索有序表时，复杂度为nlogn+klogn

代码

#冒泡排序
def bubbleSort1(L):
for j in range(len(L)):
for i in range(len(L)-1):
if L[i] > L[i+1]:
temp = L[i]
L[i] = L[i+1]
L[i+1] = temp
print L
print '*******'

def bubbleSort(L):
swapped = True
while swapped:
swapped = False
for i in range(len(L)-1):
if L[i]>L[i+1]:
temp = L[i]
L[i] = L[i+1]
L[i+1] = temp
swapped = True
print L
print '********'
#选择排序
def selectionSort(L):
for i in range(len(L)):
minIndex = i
minVal = L[i]
for j in range(i,len(L)):
if L[j] < minVal:
minIndex = j
minVal = L[j]
L[minIndex] = L[i]
L[i] = minVal
print L

Lecture 10

分治法

分治算法概要步骤

将问题分割为同类型的子问题

单独解决这些子问题

联合这些解决办法

归并排序

归并排序是分治法的一个重要例子

将列表分割成一半

继续分割直到每个列表都有一个元素

归并这些子列表

def merge(left, right):
result = []
i,j = 0,0
while i < len(left) and j < len(right):
if left[i] <= right[j]:
result.append(left[i])
i = i+1
else:
result.append(right[j])
j = j + 1
while i < len(left):
result.append(left[i])
i = i + 1
while j < len(right):
result.append(right[j])
j = j+1
return result
def mergeSort(L):
if len(L)<2:
return L[:]
else:
middle = len(L)/2
left = mergeSort(L[:middle])
right = mergeSort(L[middle:])
together = merge(left,right)
print 'merged',together
return together

哈希

哈希算法的意思是给列表中的每个元素一个对应的索引值。

给时间以空间

要创建一个完全平均的哈希算法是困难的（完全平均的意思是列表中每个元素被检索到的时间都是一样的）

代码示例

#这是一个整数对应整数索引的哈希算法，哈希表为small-large
def create(smallest,largest):
intSet = []
for i in range(smallest,largest+1):
intSet.append(None)
return intSet

def insert(intSet,e):
intSet[e] = 1

def member(intSet,e):
return intSet[e] == 1
#这是一个字母对应整数的哈希算法，利用计算机内部的ascii创建
def hashChar(e):
return ord(e)
def cSetCreate():
cSet = []
for i in range(0,255):
cSet.append(None)
return cSet
def cSetInsert(cSet,e):
cSet[hashChar(e)] = 1
def cSetMember(cSet,e):
return cSet[hashChar(e)] == 1

Exception异常

这是python另一个语法机制。

可以分为

Unhandled exception

Handled exception

代码示例

#try...except被叫做tri-accept block
def readFloat(requestMsg,errMsg):
'''test exception'''
while True:
val = raw_input(requestMsg)
try:
val = float(val)
return val
except:
print errMsg

区分异常（Exception）和断言（Assert）

我的理解是：

断言是为了防止用户输出一些不符要求的值而强行检查退出；

异常则是主要防止程序真正运行时一些乱七八糟的错误。

Lecture 11

这节课几乎是纯理论的东西，讲述的是测试和调试。

验证（Validation）：是隐藏问题和增加自信心的过程，是测试（testing）和寻因（reasoning）的集合。

调试：定位并解决程序失败的问题。

防卫性程式设计

Testing

测试：主要是考察输入/输出的表现

主要分为单元测试和集成测试

测试集的选取要合理，要大到可以给予我们信心，也要小到时间合理。

bug

关于bug有两条西式的谬论

bugs crawl in programs

bugs breed

John认为有两条非常好的调试工具，一个是print语句，另一个是代码阅读。

关于调试，还有一个重要思想：系统化的思想。

如何系统化？

研究程序文本

研究如何挽回

寻找生成此项错误的最简输入

二分法查找可能出错的地方

代码示例：

def silly():
res=[]
done=False
while not done:
elem = raw_input('Enter element, return when done')
if elem == '':
done = True
else:
res.append(elem)
#二分法第一步：选择中间部分输出查看，发现前面没问题
#print 'res  ',res
#定位问题，‘=’将前后引用指向了统一个对象
tmp = res
#如下代码进行解决
#tmp = res[:]
tmp.reverse()
print 'res  ',res,'  tmp  ',tmp
#第二步，在后面的中间进行print，发现问题
#查到bug所在，bug的原因是tmp和res指向同一个对象
isPal = (res == tmp)
if isPal:
print 'is palindrome'
else:
print 'not palindrome'

Lecture 12

关于调试

编程者经常犯的小错误有：

自变量的顺序错误

拼写错误

初始化错误

Object vs Values

假名错误

副作用

我们需要建立一个自己的犯错模型。

John对于编程者的建议有：

记录下你所有的曾经的尝试，不要重复犯错

重新考虑代码思路

调试代码而非注释

寻求他人帮助

休息一会再来看

慢一点，欲速不达

控制代码的行数

保存旧的版本

优化问题

简而言之就是两个部分：

一个需要求极值的函数

函数上的约束

经典的优化问题有：最短路径问题，旅行商问题，序列对齐问题等。接下来要介绍的是背包问题。

连续背包问题

假设一个小偷，他只有一个8磅的背包，有三种货物，4磅的金砂，3磅的银砂和10磅的葡萄干。如果这个小偷想拿到最有价值的分配，他该怎么做？

显而易见的做法是：

先装4磅金砂，再装3磅银砂，最后装1磅的葡萄干。

为什么说这个问题是连续背包呢？因为金砂还有银砂可以看做是无限小的。

这个问题的数学描述是

function=cg×pg+cs×ps+cr×pr

constraints=pg+ps+pr≤8

其中cg,cs,cr分别代表金砂的价值，银砂的价值和葡萄干的价值；

pg,ps,pr分别代表金砂的重量，银砂的重量和葡萄干的重量。

这个问题使用贪婪算法就可以解决。

但是，

局部最优并不能总是保证全局最优。

不连续背包问题

0/1 Knapsack Problem

不连续背包问题中物品的重量是不能再细分的。

同样是一个小偷，他有8磅容量的背包，房间内物品有

表，重0.5磅，价值A位，两块

收音机，重2磅，价值D位，两块

Tiffany花瓶，重5磅，价值B位，两个

Velvet Evis，重6磅，价值C位，两块

现在有三个小偷

一个是贪婪的贼，使用贪婪算法（greedy algorithm），他的选择是先拿最贵的，也就是表∗2+花瓶∗1

一个精心思考的慢性子的贼，他会使用蛮力法（Bruce algorithm），他的选择时把每种选择都试一遍，他最后还没试出最优解就被抓到警察局了。

还有最后一种使我们这样聪明的贼。

现在用数学公式描述一下上述问题

function=∑i=1nPiXi

constraint=∑i=1nwiXi

其中，n是物品的总数，wi是第i个物品的重量，Pi是第i个物品的价值，X是一个向量，例如(0,0,0,0,0,0,0,0)代表8个物品中没有取任意一个。

动态编程

Dynamin Programming, John说这个名字没有任何意义。

它的重点在于

overlapping subproblems(重叠子问题)

optimal substructrure(优化子结构)