十大算法
数据结构最基础的十大算法
数据结构最基础的十大算法数据结构是计算机科学中的重要分支，它研究如何组织和存储数据以便于访问和修改。
在数据结构中，算法是解决问题的关键。
下面将介绍数据结构中最基础的十大算法。
1. 线性搜索算法线性搜索算法是最简单的算法之一，它的作用是在一个列表中查找一个特定的元素。
该算法的时间复杂度为O(n)，其中n是列表中元素的数量。
2. 二分搜索算法二分搜索算法是一种更高效的搜索算法，它的时间复杂度为O(log n)。
该算法要求列表必须是有序的，它通过将列表分成两半来查找元素，直到找到目标元素为止。
3. 冒泡排序算法冒泡排序算法是一种简单的排序算法，它的时间复杂度为O(n^2)。
该算法通过比较相邻的元素并交换它们的位置来排序列表。
4. 快速排序算法快速排序算法是一种更高效的排序算法，它的时间复杂度为O(nlog n)。
该算法通过选择一个基准元素并将列表分成两部分来排序列表。
5. 插入排序算法插入排序算法是一种简单的排序算法，它的时间复杂度为O(n^2)。
该算法通过将每个元素插入到已排序的列表中来排序列表。
6. 选择排序算法选择排序算法是一种简单的排序算法，它的时间复杂度为O(n^2)。
该算法通过选择最小的元素并将其放在列表的开头来排序列表。
7. 堆排序算法堆排序算法是一种更高效的排序算法，它的时间复杂度为O(n log n)。
该算法通过将列表转换为堆并进行排序来排序列表。
8. 归并排序算法归并排序算法是一种更高效的排序算法，它的时间复杂度为O(n log n)。
该算法通过将列表分成两部分并将它们合并来排序列表。
9. 哈希表算法哈希表算法是一种高效的数据结构，它的时间复杂度为O(1)。
该算法通过将键映射到哈希表中的位置来存储和访问值。
10. 树算法树算法是一种重要的数据结构，它的时间复杂度取决于树的深度。
树算法包括二叉树、AVL树、红黑树等。
以上是数据结构中最基础的十大算法，它们在计算机科学中有着广泛的应用。
人工智能十大算法总结
人工智能十大算法总结人工智能（Artificial Intelligence，简称AI）是一门涉及模拟和复制人类智能的科学和工程学科。
在人工智能的发展过程中，算法起着至关重要的作用。
算法是用来解决问题的一系列步骤和规则。
下面是人工智能领域中十大重要的算法总结。
一、回归算法回归算法用于预测数值型数据的结果。
常见的回归算法有线性回归、多项式回归、岭回归等。
这些算法通过建立数学模型来找到输入和输出之间的关系，从而进行预测。
二、决策树算法决策树算法是一种基于树形结构的模型，可用于分类和回归问题。
它将数据集拆分成决策节点和叶节点，并根据特征的属性进行分支。
决策树算法易于理解和解释，并且可以处理非线性关系。
三、支持向量机算法支持向量机算法用于分类和回归分析。
它通过在特征空间中构造一个超平面来将样本划分为不同的类别。
支持向量机算法具有高维特征空间的能力和较强的泛化能力。
四、聚类算法聚类算法用于将相似的数据点分组到一起。
常见的聚类算法有K均值聚类、层次聚类等。
聚类算法能够帮助我们发现数据中的模式和结构，从而对数据进行分析和处理。
五、人工神经网络算法人工神经网络是一种类似于生物神经系统的模型。
它由大量的节点和连接组成，可以模拟人脑的学习和推理过程。
人工神经网络算法可以用于分类、识别、预测等任务。
六、遗传算法遗传算法模拟生物进化的原理，通过模拟选择、交叉和变异等操作来寻找最优解。
遗传算法常用于求解复杂优化问题，如旅行商问题、背包问题等。
七、贝叶斯网络算法贝叶斯网络是一种概率图模型，用于表示变量之间的依赖关系。
贝叶斯网络算法可以用于推断和预测问题，如文本分类、诊断系统等。
它具有直观、可解释性强的特点。
八、深度学习算法深度学习是一种基于神经网络的算法，具有多层次的结构。
它可以通过无监督或监督学习来进行模型训练和参数优化。
深度学习算法在图像识别、语音识别等领域取得了显著的成果。
九、马尔科夫决策过程算法马尔科夫决策过程是一种基于状态转移的决策模型。
数学技巧揭秘：十大速算法则
数学技巧揭秘：十大速算法则1. 平方速算公式：\(a^2 = (a+b)(a-b)\)应用场景：快速计算一个数的平方。
示例：计算 \(7^2\)，可以将其表示为 \((7+0)(7-0)\)，然后计算\(7 \times 7\) 得到 \(49\)。
2. 立方速算公式：\(a^3 = a \times a^2\)应用场景：快速计算一个数的立方。
示例：计算 \(5^3\)，可以表示为 \(5 \times 5^2\)，然后计算 \(5 \times 25\) 得到 \(125\)。
3. 平方差速算公式：\(a^2 - b^2 = (a+b)(a-b)\)应用场景：快速计算两个数的平方差。
示例：计算 \(9^2 - 4^2\)，可以表示为 \((9+4)(9-4)\)，然后计算\(13 \times 5\) 得到 \(65\)。
4. 立方差速算公式：\(a^3 - b^3 = (a-b)(a^2 + ab + b^2)\)应用场景：快速计算两个数的立方差。
示例：计算 \(27^3 - 24^3\)，可以表示为 \((27-24)(27^2 + 27\times 24 + 24^2)\)，然后计算 \(3 \times 1512\) 得到 \(4536\)。
5. 完全平方公式公式：\(a^2 + 2ab + b^2 = (a+b)^2\)应用场景：快速计算一个完全平方数。
示例：计算 \(5^2 + 2 \times 5 \times 3 + 3^2\)，可以表示为\((5+3)^2\)，然后计算 \(8^2\) 得到 \(64\)。
6. 平方和公式公式：\(a^2 + b^2 = (a+b)^2 - 2ab\)应用场景：快速计算两个数的平方和。
示例：计算 \(5^2 + 3^2\)，可以表示为 \((5+3)^2 - 2 \times 5 \times 3\)，然后计算 \(8^2 - 30\) 得到 \(44\)。
十大经典大数据算法
十大经典大数据算法大数据算法是指应用于大规模数据集的算法，旨在从这些数据中提取有价值的信息和洞察力。
下面是十大经典大数据算法的介绍：1. MapReduce算法：MapReduce是一种用于处理大规模数据集的编程模型，它将任务分成多个子任务并在分布式计算环境中并行执行。
这种算法在Google的大数据处理框架Hadoop中得到广泛应用。
2. PageRank算法：PageRank是一种用于评估网页重要性的算法，通过分析网页之间的链接关系来确定网页的排名。
它在谷歌搜索引擎的排名算法中起到了重要作用。
3. Apriori算法：Apriori算法用于挖掘关联规则，通过发现数据集中的频繁项集来识别项目之间的关联。
该算法在市场篮子分析和推荐系统中有广泛应用。
4. k-means算法：k-means算法是一种聚类算法，用于将数据集划分为k个不重叠的簇。
该算法在数据挖掘和图像分析中常用于聚类分析。
5. 随机森林算法：随机森林是一种集成学习算法，通过构建多个决策树并对它们的结果进行投票来进行分类或回归。
该算法在数据挖掘和机器学习中常用于分类和预测问题。
6. SVM算法：支持向量机（SVM）是一种监督学习算法，用于进行分类和回归分析。
它通过构建一个最优的超平面来将不同类别的样本分开。
7. LDA算法：潜在狄利克雷分配（LDA）是一种用于主题建模的生成模型，用于从文本数据中发现隐藏的主题结构。
该算法在自然语言处理和信息检索中有广泛应用。
8. 特征选择算法：特征选择是一种用于从数据集中选择最相关特征的方法。
常用的特征选择算法包括信息增益、卡方检验和互信息等。
9. 随机梯度下降算法：随机梯度下降是一种用于优化模型参数的迭代优化算法。
该算法通过计算损失函数的梯度来更新模型参数，从而最小化损失函数。
10. 奇异值分解算法：奇异值分解（SVD）是一种矩阵分解方法，用于降低数据维度和提取数据的主要特征。
该算法在推荐系统和图像处理中常用于降维和特征提取。
十大数学算法
十大数学算法数学算法是应用数学的重要组成部分，它们是解决数学问题的有效工具。
在计算机科学中，数学算法被广泛应用于图像处理、数据分析、机器学习等领域。
下面将介绍十大经典数学算法，它们涵盖了数值计算、图论、概率统计等多个数学领域的核心算法。
一、牛顿法牛顿法是一种用于求解方程的迭代数值方法。
它通过不断逼近函数的根，实现方程的求解。
牛顿法的核心思想是利用函数的局部线性近似来逼近根的位置，通过迭代求解函数的根。
牛顿法在优化问题中有广泛应用，如求解最优化问题和非线性方程组。
二、高斯消元法高斯消元法是一种用于求解线性方程组的经典方法。
通过不断进行行变换，将线性方程组转化为上三角矩阵，进而直接求解出线性方程组的解。
高斯消元法在线性代数和计算机图形学中有广泛的应用。
三、快速傅里叶变换快速傅里叶变换（FFT）是一种高效的离散傅里叶变换计算方法。
它通过分治法将离散傅里叶变换的计算复杂度降低到O(n log n)的时间复杂度。
FFT在信号处理、图像处理等领域有广泛应用。
四、Prim算法Prim算法是一种用于求解最小生成树的贪心算法。
通过不断选取与当前最小生成树连接的最小权重边，逐步构建最小生成树。
Prim算法在图论和网络优化中有重要应用。
五、Dijkstra算法Dijkstra算法是一种用于求解单源最短路径问题的贪心算法。
通过使用优先队列来存储节点，不断选择当前最短路径长度的节点，逐步求解最短路径。
Dijkstra算法在路由器和网络优化中有广泛应用。
六、最小二乘法最小二乘法是一种用于求解参数估计问题的优化方法。
通过最小化观测值与估计值之间的差异平方和，得到参数的最优估计。
最小二乘法在回归分析和数据拟合中广泛应用。
七、蒙特卡洛方法蒙特卡洛方法是一种通过随机抽样和统计模拟，来解决复杂问题的数值方法。
它通过随机抽样来估计问题的概率或者数值解，适用于各种复杂的概率和统计计算问题。
八、梯度下降法梯度下降法是一种常用的优化算法，主要用于求解无约束最优化问题。
十大数学算法
十大数学算法数学算法是解决数学问题的方法和步骤的集合。
在数学领域中，有许多重要且被广泛使用的算法。
这些算法不仅能够解决各种数学问题，还在计算机科学、工程和其他领域中得到了广泛应用。
在本文中，我们将介绍十大数学算法，它们分别是欧几里得算法、牛顿法、二分法、高斯消元法、快速傅里叶变换、动态规划、贝叶斯定理、蒙特卡洛方法、线性规划和迭代法。
1. 欧几里得算法欧几里得算法是解决最大公约数问题的一种常见方法。
该算法的核心思想是，通过不断用较小数去除较大数，直到余数为零，最后一个非零余数即为最大公约数。
欧几里得算法在密码学、数据压缩等领域得到了广泛应用。
2. 牛顿法牛顿法是一种用来求解方程近似解的迭代方法。
它基于函数的泰勒级数展开，通过不断迭代逼近函数的零点。
牛顿法在优化问题、图像处理和物理模拟等领域中广泛使用。
3. 二分法二分法又称折半查找法，是一种高效的查找算法。
它通过将查找区间一分为二，判断目标元素在哪一侧，并重复此过程，直到找到目标元素或确认不存在。
二分法在查找有序列表和解决优化问题时被广泛应用。
4. 高斯消元法高斯消元法是一种求解线性方程组的常用方法。
它通过对方程组进行一系列的行变换，将方程组化为简化的阶梯形式，从而求得方程组的解。
高斯消元法在计算机图形学、物理学和工程学等领域中得到广泛应用。
5. 快速傅里叶变换快速傅里叶变换是一种计算离散傅里叶变换的高效算法。
通过将离散信号转换为频域信号，可以在数字信号处理、图像处理和通信系统中实现快速算法和压缩方法。
6. 动态规划动态规划是一种解决具有重叠子问题和最优子结构性质的问题的算法。
通过将问题分解为子问题，并保存子问题的解，动态规划可以高效地求解一些复杂的优化问题，如最短路径、背包问题和序列比对等。
7. 贝叶斯定理贝叶斯定理是一种用来计算条件概率的方法。
它通过已知先验概率和观测数据来更新事件的后验概率。
贝叶斯定理在机器学习、人工智能和统计推断等领域中具有重要的应用。
排序算法十大经典方法
排序算法十大经典方法
排序算法是计算机科学中的经典问题之一，它们用于将一组元素按照一定规则排序。
以下是十大经典排序算法：
1. 冒泡排序：比较相邻元素并交换，每一轮将最大的元素移动到最后。
2. 选择排序：每一轮选出未排序部分中最小的元素，并将其放在已排序部分的末尾。
3. 插入排序：将未排序部分的第一个元素插入到已排序部分的合适位置。
4. 希尔排序：改进的插入排序，将数据分组排序，最终合并排序。
5. 归并排序：将序列拆分成子序列，分别排序后合并，递归完成。
6. 快速排序：选定一个基准值，将小于基准值的元素放在左边，大于基准值的元素放在右边，递归排序。
7. 堆排序：将序列构建成一个堆，然后一次将堆顶元素取出并调整堆。
8. 计数排序：统计每个元素出现的次数，再按照元素大小输出。
9. 桶排序：将数据分到一个或多个桶中，对每个桶进行排序，最后输出。
10. 基数排序：按照元素的位数从低到高进行排序，每次排序只考虑一位。
以上是十大经典排序算法，每个算法都有其优缺点和适用场景，选择合适的算法可以提高排序效率。
【十大经典排序算法(动图演示)】 必学十大经典排序算法
【十大经典排序算法（动图演示）】必学十大经典排序算法0.1 算法分类十种常见排序算法可以分为两大类：比较类排序：通过比较来决定元素间的相对次序，由于其时间复杂度不能突破O(nlogn)，因此也称为非线性时间比较类排序。
非比较类排序：不通过比较来决定元素间的相对次序，它可以突破基于比较排序的时间下界，以线性时间运行，因此也称为线性时间非比较类排序。
0.2 算法复杂度0.3 相关概念稳定：如果a原本在b前面，而a=b，排序之后a仍然在b的前面。
不稳定：如果a原本在b的前面，而a=b，排序之后a 可能会出现在b 的后面。
时间复杂度：对排序数据的总的操作次数。
反映当n变化时，操作次数呈现什么规律。
空间复杂度：是指算法在计算机内执行时所需存储空间的度量，它也是数据规模n的函数。
1、冒泡排序（Bubble Sort）冒泡排序是一种简单的排序算法。
它重复地走访过要排序的数列，一次比较两个元素，如果它们的顺序错误就把它们交换过来。
走访数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。
这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端。
1.1 算法描述比较相邻的元素。
如果第一个比第二个大，就交换它们两个；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，这样在最后的元素应该会是最大的数；针对所有的元素重复以上的步骤，除了最后一个；重复步骤1~3，直到排序完成。
1.2 动图演示1.3 代码实现1.unction bubbleSort(arr) {2. varlen = arr.length;3. for(vari = 0; i arr[j+1]) {// 相邻元素两两对比6. vartemp = arr[j+1];// 元素交换7. arr[j+1] = arr[j];8. arr[j] = temp;9. }10. }11. }12. returnarr;13.}2、选择排序（Selection Sort）选择排序(Selection-sort)是一种简单直观的排序算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1、此数学建模十大算法依据网上的一份榜单而写，本文对此十大算法作一一简单介绍。
这只是一份榜单而已，数学建模中还有很多的算法，未一一囊括。
欢迎读者提供更多的好的算法。
2、在具体阐述每一算法的应用时，除了列出常见的应用之外，同时，还会具体结合数学建模竞赛一一阐述。
毕竟，此十大算法，在数学建模竞赛中有着无比广泛而重要的应用。
且，凡是标着“某某年某国某题”，即是那一年某个国家的数学建模竞赛原题。
3、此十大算法，在一些经典的算法设计书籍上，无过多阐述。
若要具体细致的深入研究，还得请参考国内或国际上关于此十大算法的优秀论文。
谢谢。
一、蒙特卡罗算法1946年，美国拉斯阿莫斯国家实验室的三位科学家John von Neumann,Stan Ulam 和 Nick Metropolis共同发明了，蒙特卡罗方法。
此算法被评为20世纪最伟大的十大算法之一，详情，请参见我的博文：/v_JULY_v/archive/2011/01/10/6127953.aspx蒙特卡罗方法（Monte Carlo method），又称随机抽样或统计模拟方法，是一种以概率统计理论为指导的一类非常重要的数值计算方法。
此方法使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。
由于传统的经验方法由于不能逼近真实的物理过程，很难得到满意的结果，而蒙特卡罗方法由于能够真实地模拟实际物理过程，故解决问题与实际非常符合，可以得到很圆满的结果。
蒙特卡罗方法的基本原理及思想如下：当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。
有一个例子可以使你比较直观地了解蒙特卡洛方法：假设我们要计算一个不规则图形的面积，那么图形的不规则程度和分析性计算（比如，积分）的复杂程度是成正比的。
蒙特卡洛方法是怎么计算的呢？假想你有一袋豆子，把豆子均匀地朝这个图形上撒，然后数这个图形之中有多少颗豆子，这个豆子的数目就是图形的面积。
当你的豆子越小，撒的越多的时候，结果就越精确。
在这里我们要假定豆子都在一个平面上，相互之间没有重叠。
蒙特卡罗方法通过抓住事物运动的几何数量和几何特征，利用数学方法来加以模拟，即进行一种数字模拟实验。
它是以一个概率模型为基础，按照这个模型所描绘的过程，通过模拟实验的结果，作为问题的近似解。
蒙特卡罗方法与一般计算方法有很大区别，一般计算方法对于解决多维或因素复杂的问题非常困难，而蒙特卡罗方法对于解决这方面的问题却比较简单。
其特点如下：I、直接追踪粒子，物理思路清晰，易于理解。
II、采用随机抽样的方法，较真切的模拟粒子输运的过程，反映了统计涨落的规律。
III、不受系统多维、多因素等复杂性的限制，是解决复杂系统粒子输运问题的好方法。
等等。
此算法，日后还会在本BLOG 内详细阐述。
二、数据拟合、参数估计、插值等数据处理算法我们通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用Matlab作为工具。
数据拟合在数学建模比赛中中有应用，与图形处理有关的问题很多与拟合有关系，一个例子就是98年数学建模美国赛A题，生物组织切片的三维插值处理，94年A题逢山开路，山体海拔高度的插值计算，还有吵的沸沸扬扬可能会考的“非典”问题也要用到数据拟合算法，观察数据的走向进行处理。
此类问题在 MATLAB 中有很多现成的函数可以调用，熟悉MATLAB，这些方法都能游刃有余的用好。
三、线性规划、整数规划、多元规划、二次规划等规划类问题数学建模竞赛中很多问题都和数学规划有关，可以说不少的模型都可以归结为一组不等式作为约束条件、几个函数表达式作为目标函数的问题，遇到这类问题，求解就是关键了，比如98年B题，用很多不等式完全可以把问题刻画清楚，因此列举出规划后用 Lindo 、 Lingo 等软件来进行解决比较方便，所以还需要熟悉这两个软件。
四、图论算法这类问题算法有很多，包括： Dijkstra 、 Floyd 、 Prim 、 Bellman-Ford ，最大流，二分匹配等问题。
关于此类图论算法，可参考Introduction to Algorithms--算法导论，关于图算法的第22章-第26章。
同时，本BLOG内经典算法研究系列，对Dijkstra算法有所简单描述，-----------经典算法研究系列：二、Dijkstra 算法初探/v_JULY_v/archive/2010/12/24/6096981.aspx更多，请关注本BLOG 日后更新的博文。
五、动态规划、回溯搜索、分治算法、分支定界等计算机算法在数学建模竞赛中，如:92 年B题用分枝定界法， 97年B题是典型的动态规划问题，此外 98 年 B 题体现了分治算法。
这方面问题和 ACM 程序设计竞赛中的问题类似，推荐看一下算法导论，与《计算机算法设计与分析》（电子工业出版社）等与计算机算法有关的书。
六、最优化理论的三大经典算法：模拟退火法、神经网络、遗传算法这十几年来最优化理论有了飞速发展，模拟退火法、神经网络、遗传算法这三类算法发展很快。
在数学建模竞赛中：比如97年A题的模拟退火算法,00年B题的神经网络分类算法，01年B题这种难题也可以使用神经网络，还有美国竞赛89年A题也和 BP 算法有关系，当时是86年刚提出BP算法，89年就考了，说明赛题可能是当今前沿科技的抽象体现。
03 年 B 题伽马刀问题也是目前研究的课题，目前算法最佳的是遗传算法。
另，本人对人工智能非常感兴趣，遗传算法已在本BLOG内有所阐述，敬请参见。
----------经典算法研究系列：七、深入浅出遗传算法，透析GA本质/v_JULY_v/archive/2011/01/12/6132775.aspx其它俩大算法，模拟退火法，与神经网络，也定会在本BLOG内日后的博文更新中，详细阐述。
七、网格算法和穷举法网格算法和穷举法一样，只是网格法是连续问题的穷举。
比如要求在 N 个变量情况下的最优化问题，那么对这些变量可取的空间进行采点，比如在 [ a; b ] 区间内取 M +1 个点，就是 a; a +( b ? a ) =M; a +2 ￠ ( b ?a ) =M ; …；b那么这样循环就需要进行 ( M + 1) N 次运算，所以计算量很大。
在数学建模竞赛中：比如 97 年 A 题、 99 年 B 题都可以用网格法搜索，这种方法最好在运算速度较快的计算机中进行，还有要用高级语言来做，最好不要用 MATLAB 做网格，否则会算很久。
穷举法大家都熟悉，自不用多说了。
八、一些连续离散化方法大部分物理问题的编程解决，都和这种方法有一定的联系。
物理问题是反映我们生活在一个连续的世界中，计算机只能处理离散的量，所以需要对连续量进行离散处理。
这种方法应用很广，而且和上面的很多算法有关。
事实上，网格算法、蒙特卡罗算法、模拟退火都用了这个思想。
九、数值分析算法数值分析（numerical analysis），是数学的一个分支，主要研究连续数学（区别于离散数学）问题的算法。
如果在比赛中采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用。
这类算法是针对高级语言而专门设的，如果你用的是 MATLAB 、 Mathematica ，大可不必准备，因为像数值分析中有很多函数一般的数学软件是具备的。
十、图象处理算法在数学建模竞赛中：比如01 年 A 题中需要你会读 BMP 图象、美国赛 98 年 A 题需要你知道三维插值计算， 03 年 B 题要求更高，不但需要编程计算还要进行处理，而数模论文中也有很多图片需要展示，因此图象处理就是关键。
做好这类问题，重要的是把MATLAB 学好，特别是图象处理的部分。
此数学建模十大算法的程序源码打包，请于此处下载：/source/3007336本人对算法，尤其感兴趣，且日渐愈浓，日后，更多的、好的、经典实用算法将会在本BLOG内有所详细而细致入微的阐述与深入研究。
完。
1、蒙特卡罗算法,该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时可以通过模拟可以来检验自己模型的正确性。
2、数据拟合、参数估计、插值等数据处理算法，通常使用Matlab作为工具。
3、线性规划、整数规划、多元规划、二次规划等规划类问题，通常使用Lindo、Lingo软件实现。
4、图论算法，这类算法可以分为很多种，包括最短路、网络流、二分图等算法，涉及到图论的问题可以用这些方法解决。
5、动态规划、回溯搜索、分治算法、分支定界等计算机算法。
6、最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法（这些问题是用来解决一些较困难的最优化问题的算法，对于有些问题非常有帮助，但是算法的实现比较困难，需慎重使用）7、网格算法和穷举法，网格算法和穷举法都是暴力搜索最优点的算法，在很多竞赛题中有应用，当重点讨论模型本身而轻视算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具。
8、一些连续离散化方法，很多问题都是实际来的，数据可以是连续的，而计算机只认的是离散的数据，因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要。
9、数值分析算法（如果在比赛中采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用）。
10、图象处理算法（赛题中有一类问题与图形有关，即使与图形无关，论文中也应该要不乏图片的，这些图形如何展示以及如何处理就是需要解决的问题，通常使用Matlab进行处理）。