算法设计与分析期末总结
算法期末总结与反思
算法期末总结与反思本学期的算法课程已经接近尾声，回想起来，这一学期对于我来说是非常充实和有收获的。
在这门课上，我学习了许多经典的算法和数据结构、解决问题的方法以及算法设计的技巧。
同时，在实践中，我也提高了编程能力和解决实际问题的能力。
下面是我对本学期算法课程的总结与反思。
一、学到的知识和技能1. 数据结构：在本学期的算法课程中，我学习了很多重要的数据结构，包括链表、栈、队列、树、图等。
了解每种数据结构的特点、操作和应用场景，并能够根据实际问题选择合适的数据结构。
2. 算法基础：掌握了常见的算法基础知识，例如递归、分治、动态规划、贪心算法等。
能够运用这些算法模板解决复杂的问题，并能够分析算法的时间复杂度和空间复杂度。
3. 排序算法：学习了常见的排序算法，包括冒泡排序、选择排序、插入排序、归并排序、快速排序等。
了解每种排序算法的原理和实现方式，同时也熟悉了排序算法的性能比较和优化技巧。
4. 图算法：学习了图的表示方法和常见的图算法，例如深度优先搜索（DFS）、广度优先搜索（BFS）、最短路径算法（Dijkstra算法、Floyd算法）和最小生成树算法（Prim算法、Kruskal算法）等。
这些图算法在实际问题中有广泛的应用，对于解决一些复杂的问题非常有帮助。
5. 动态规划：通过学习动态规划的基本思想和常见的解决方法，我掌握了动态规划算法的设计和实现。
动态规划算法在解决一些具有重叠子问题的问题时非常有效，能够大大提高问题的求解效率。
6. 算法设计模式：学习了几种常见的算法设计模式，例如分治法、贪心法和动态规划等。
了解这些算法设计模式的思想和应用场景，并能够灵活运用到实际问题中。
7. 编程实践：通过课堂上的编程实践和作业练习，我提高了编程的能力和灵活运用算法的能力。
通过编写代码实现算法思想和解决具体问题，我深刻理解了算法的思想和实现过程。
二、收获和体会1. 提高了问题解决能力：在这门课程中，我学会了如何分析和解决实际问题。
算法设计与分析实训课程学习总结解决复杂问题的高效算法设计方法
算法设计与分析实训课程学习总结解决复杂问题的高效算法设计方法在算法设计与分析实训课程中，我学到了如何解决复杂问题并设计出高效的算法。
本文将对我在课程学习过程中的体会与收获进行总结，并分享一些关于高效算法设计方法的经验。
一、课程学习体会与反思在算法设计与分析实训课程中，我通过课堂学习、课后实践以及与同学的讨论，逐渐掌握了解决复杂问题的基本方法与技巧。
在实践过程中，我发现以下几点对于算法设计与分析至关重要。
首先，我学会了分析问题的复杂度。
在面对一个复杂问题时，我首先要了解问题的规模与特点，然后通过算法分析来确定问题的复杂度。
这有助于我选择合适的算法以及评估算法的性能。
通过对问题复杂度的深入理解，我能够更加准确地估计算法的执行时间和资源消耗，为解决问题提供依据。
其次，我学会了设计优化的算法。
在解决复杂问题时，我需要根据问题的特性与需求，选择适合的数据结构和算法策略。
比如，对于大规模数据的排序问题，我可以选择使用快速排序算法来提高排序效率；对于图论问题，我可以采用广度优先搜索或深度优先搜索等算法来遍历图结构。
通过深入研究各种算法，我不断完善和优化代码，并提高了算法的执行效率。
第三，我意识到算法的可读性和可维护性同样重要。
一个好的算法应当具备良好的可读性，使得其他人能够轻松理解代码的逻辑。
同时，它也应当具备良好的可维护性，方便日后的修改和扩展。
在课程实践中，我学会了合理拆分代码，注释清晰以及采用模块化设计等方法，提高代码的可读性和可维护性。
二、高效算法设计方法分享在实践中，我总结了一些高效算法设计方法，希望能为大家提供一些参考。
1. 分而治之（Divide and Conquer）：将复杂问题划分成若干个子问题，然后逐个解决。
通过将问题分解成更小的子问题，可以降低问题的复杂度，提高算法的效率。
典型的应用包括归并排序和快速排序等。
2. 动态规划（Dynamic Programming）：将原问题划分成若干个子问题，然后通过构建一个多阶段决策模型，逐步求解得到最优解。
算法设计期末总结
算法设计期末总结在这个学期的算法设计课程中，我学到了许多关于算法设计和分析的知识和技巧。
通过课程的学习和实践，我对算法设计的原则、常用算法和问题求解的方法有了更深入的理解。
本文将对我在本学期算法设计课程中所学到的内容进行总结，并对未来的学习和发展提出一些展望。
一、算法设计的基本原则在算法设计的过程中，有一些基本原则是需要遵循的。
首先，算法应该是正确的，即能够解决给定的问题。
其次，算法的效率也是非常重要的，因为对于大规模问题，如果算法的时间和空间复杂度太高，将导致运行时间过长或者无法处理。
另外，算法应该是可读性和可维护性好的，便于其他人理解和修改。
最后，算法的稳定性也是需要考虑的，即对于输入的变化，算法的输出应该是一致的。
二、常用的算法和数据结构在算法设计中，有一些常用的算法和数据结构可以帮助解决大部分的问题。
其中，常见的数据结构有线性表、树、图等，而常用的算法有排序、查找、图算法等。
对于不同类型的问题，选择合适的数据结构和算法是非常重要的，可以大大提高算法的效率。
在课程的学习中，我对线性表、树和图等数据结构进行了详细的学习和实践。
线性表是一种最简单的数据结构，常见的有数组和链表。
对于线性表的操作，如插入、删除、查找等，有不同的实现方法和时间复杂度。
树是一种常见的非线性结构，有很多种类型，如二叉树、堆等。
树的遍历和查找是树算法中常见的操作。
图是一种复杂的数据结构，由节点和边组成，有很多种表示方法和算法。
图的遍历和最短路径算法是图算法中重要的内容。
此外，排序算法是算法设计中重要的一部分。
我学习了冒泡排序、插入排序、选择排序、快速排序、归并排序等常见的排序算法，并对它们的思想、实现和时间复杂度有了更深入的理解。
三、问题求解的方法在算法设计中，我们经常需要求解各种类型的问题，如搜索问题、优化问题等。
对于不同类型的问题，有一些常见的求解方法可以参考。
其中，穷举法、贪心法、动态规划法是常见的求解方法。
穷举法是一种简单直观的求解方法，它通过枚举所有可能的解来找到问题的解。
算法设计期末大题分析总结
算法设计期末大题分析总结1. 前言在本次算法设计期末大题分析中，我将对所给的几个算法问题进行详细的分析和总结。
这几个算法问题涉及了各个领域，包括图论、动态规划、字符串处理等等。
在解决这些问题的过程中，我运用了所学的算法知识和编程技巧，通过合理的算法设计和优化，解决了这些问题。
2. 问题1：最小生成树给定一个无向图，每个边都有一个正的权值。
我们需要找到一个最小生成树，使得所有边的权值之和最小。
这是一个非常经典的图论问题，常用的解决方法包括Kruskal算法和Prim算法。
在本次问题中，我使用了Prim算法来解决这个问题。
Prim算法的基本思想是从一个顶点开始，逐渐构造最小生成树，每次选择一个与当前顶点距离最短的边。
通过运用堆数据结构来加速选取最短边的过程，使得算法能够在较短的时间内求解问题。
3. 问题2：最长递增子序列给定一个序列，我们需要找到一个最长的递增子序列，即该子序列中的元素按照从小到大的顺序排列。
这是一个动态规划问题，常用的解决方法是使用动态规划算法来求解。
在本次问题中，我使用了动态规划算法来解决这个问题。
动态规划算法的基本思想是将一个大问题划分成若干个相同或者类似的子问题，并且逐步求解这些子问题，最终得到整个问题的解。
为了实现这个算法，我设计了一个动态规划数组dp，其中dp[i]表示以第i个元素结尾的最长递增子序列的长度。
通过不断更新dp数组中的值，最终可以得到最长递增子序列的长度。
4. 问题3：字符串替换给定一个字符串S和两个子串A和B，我们需要将字符串S中所有的子串A都替换成子串B。
这是一个字符串处理问题，常用的解决方法是使用字符串匹配算法来求解。
在本次问题中，我使用了KMP算法来解决这个问题。
KMP算法的基本思想是通过预处理模式串来减少匹配的次数，从而提高算法的效率。
为了实现这个算法，我设计了一个next 数组，其中next[i]表示在模式串的第i个字符之前的子串中，最长的相等的前缀和后缀的长度。
算法设计与分析总结
算法设计与分析总结一、算法引论算法：通常人们将算法定义为一个有穷的指令集，这些指令为解决某一特定的任务规定了一个运算序列。
什么是算法?计算机来解决的某一类问题的方法或步骤。
算法是程序的核心。
算法的两个要素：算法是由操作与控制结构两个要素组成。
（1）操作①算术运算：加、减、乘、除等。
②关系运算：大于、大于等于、小于、小于等于、等于、不等于等。
③逻辑运算：与、或、非等。
④数据传送：输入、输出、赋值等。
（2）控制结构各操作之间的执行顺序：顺序结构、选择结构、循环结构，称为算法的三种基本结构一个算法应当具有以下特性：1、输入。
一个算法必须有0个或多个输入。
它们是算法开始运算前给予算法的量。
2、输出。
一个算法应有一个或多个输出，输出量是算法计算的结果。
3、确定性。
算法的每一步都应确切地、无歧义的定义，对于每一种情况，需要执行的动作都应严格的，清晰的规定。
4、有穷性。
一个算法无论在什么情况下都应在执行有穷步后结束。
5、有效性。
算法中每一条运算都必须是足够基本的。
原则上都能够被精确的执行。
6、一个问题可以有多个解决的算法。
程序可以不满足条件4。
计算机程序是算法的实例，是算法采用编程语言的具体实现。
算法的分类：（1）数值计算算法（2）非数值计算算法算法的表示：1、自然语言2、传统流程图3、N-S流程图4、伪代码5、计算机语言计算机程序设计中有两个核心目标：1、算法必须是易于理解，编码和调试的2、设计的算法能够最有效的使用计算机的资源。
目标1是软件工程的概念 ；目标2是数据结构和算法设计的概念 ；判断一个算法的优劣，主要有以下标准：1、正确性：要求算法能够正确的执行预先规定的功能和性能要求。
2、可使用性：要求算法能够很方便的使用。
3、可读性：算法应当是可读的，这是理解、测试和修改算法的需要。
4、效率：算法的效率主要指算法执行时计算机资源的消耗，包括存储和运行时间的开销。
5、健壮性：要求在算法中对输入参数、打开文件、读文件记录、子程序调用状态进行自动检错、报错并通过与用户对话来纠错的功能，也叫作容错性或例外处理。
算法设计与分析心得
算法设计与分析心得在当今数字化的时代，算法无处不在，从我们日常使用的手机应用到复杂的科学研究，从金融交易到交通管理，算法都在发挥着至关重要的作用。
作为一名对算法设计与分析充满兴趣和探索欲望的学习者，我在这个领域中经历了一段充满挑战与收获的旅程。
算法，简单来说，就是解决特定问题的一系列清晰、准确的步骤。
它就像是一本精心编写的指南，告诉计算机在面对各种情况时应该如何做出决策和处理数据。
而算法设计与分析，则是研究如何创造出高效、正确的算法，并评估它们在不同场景下的性能。
在学习算法设计的过程中，我深刻认识到了问题的定义和理解是至关重要的第一步。
如果不能清晰地明确问题的要求和约束条件，那么后续的设计工作就很容易偏离方向。
例如，在解决一个排序问题时，我们需要明确是对整数进行排序还是对字符串进行排序，是要求稳定排序还是非稳定排序，以及数据规模的大小等。
只有对这些细节有了准确的把握，我们才能选择合适的算法策略。
选择合适的算法策略是算法设计的核心。
这就像是在众多工具中挑选出最适合完成特定任务的那一个。
常见的算法策略包括分治法、动态规划、贪心算法、回溯法等。
每种策略都有其适用的场景和特点。
分治法将一个大问题分解为若干个规模较小、结构相似的子问题，然后逐个解决子问题，最后合并子问题的解得到原问题的解。
动态规划则通过保存子问题的解来避免重复计算，从而提高效率。
贪心算法在每一步都做出当前看起来最优的选择，希望最终能得到全局最优解。
回溯法则通过不断尝试和回退来寻找问题的解。
以背包问题为例，如果我们要求在有限的背包容量内装入价值最大的物品，贪心算法可能会因为只考虑当前物品的价值而忽略了整体的最优解。
而动态规划则可以通过建立状态转移方程，计算出在不同容量下能获得的最大价值，从而得到准确的最优解。
在实现算法的过程中，代码的准确性和可读性同样重要。
清晰的代码结构和良好的注释能够让我们更容易理解和维护算法。
而且，在实际编程中，还需要考虑边界情况和异常处理，以确保算法的健壮性。
算法设计与分析期末资料总结
1、用计算机求解问题得步骤:1、问题分析2、数学模型建立3、算法设计与选择4、算法指标5、算法分析6、算法实现7、程序调试8、结果整理文档编制2、算法定义:算法就是指在解决问题时,按照某种机械步骤一定可以得到问题结果得处理过程3、算法得三要素1、操作2、控制结构3、数据结构算法具有以下5个属性:有穷性:一个算法必须总就是在执行有穷步之后结束,且每一步都在有穷时间内完成。
确定性:算法中每一条指令必须有确切得含义。
不存在二义性。
只有一个入口与一个出口可行性:一个算法就是可行得就就是算法描述得操作就是可以通过已经实现得基本运算执行有限次来实现得。
输入:一个算法有零个或多个输入,这些输入取自于某个特定对象得集合。
输出:一个算法有一个或多个输出,这些输出同输入有着某些特定关系得量。
算法设计得质量指标:正确性:算法应满足具体问题得需求;可读性:算法应该好读,以有利于读者对程序得理解;健壮性:算法应具有容错处理,当输入为非法数据时,算法应对其作出反应,而不就是产生莫名其妙得输出结果。
效率与存储量需求:效率指得就是算法执行得时间;存储量需求指算法执行过程中所需要得最大存储空间。
一般这两者与问题得规模有关。
经常采用得算法主要有迭代法、分而治之法、贪婪法、动态规划法、回溯法、分支限界法迭代法基本思想:迭代法也称“辗转法”,就是一种不断用变量得旧值递推出新值得解决问题得方法。
解题步骤:1、确定迭代模型。
根据问题描述,分析得出前一个(或几个)值与其下一个值得迭代关系数学模型。
2、建立迭代关系式。
迭代关系式就就是一个直接或间接地不断由旧值递推出新值得表达式,存储新值得变量称为迭代变量3、对迭代过程进行控制。
确定在什么时候结束迭代过程,这就是编写迭代程序必须考虑得问题。
不能让迭代过程无休止地重复执行下去。
迭代过程得控制通常可分为两种情况:一种就是所需得迭代次数就是个确定得值,可以计算出来;另一种就是所需得迭代次数无法确定。
算法设计与分析实训课程学习总结
算法设计与分析实训课程学习总结在算法设计与分析实训课程的学习过程中，我深入了解了算法的设计原理、分析方法和实际应用，并通过实际操作和实践来进一步提升了自己的算法设计与分析能力。
下面将对我在这门课上所学到的知识和经验进行总结。
一、课程简介算法设计与分析实训课程是计算机科学与技术专业中的一门重要课程，旨在培养学生解决实际问题的能力。
本课程内容涵盖了基本的算法设计与分析方法，包括贪心算法、动态规划、回溯算法等。
通过实际案例和练习题的训练，学生可以学习到如何应用这些算法来解决实际问题，并提高算法的效率和优化。
二、课程收获1. 算法设计原理在课程中，我学习到了不同种类的算法设计原理，如贪心算法、动态规划、分治算法等。
这些原理对于解决不同类型的问题提供了思路和方法。
我学会了根据问题的特性选择合适的算法设计原理，并进行相应的实现和优化。
2. 算法分析方法在课程中，我学习到了如何对算法进行分析和评估，了解了时间复杂度和空间复杂度的计算方法。
通过学习和实践，我对算法的效率有了更深入的认识，并且能够根据问题的规模和要求来选择合适的算法，以提高程序的运行效率。
3. 实际应用通过实际案例和练习题的训练，我学会了将所学的算法应用于实际问题的解决。
例如，在图论中，我学会了如何使用深度优先搜索和广度优先搜索来求解最短路径和最小生成树问题；在动态规划中，我学会了如何通过建立状态转移方程来解决背包问题和最长公共子序列问题；在贪心算法中，我学会了如何选择局部最优解以达到全局最优解。
这些实际应用的训练，增强了我的实际问题解决能力和算法设计思维。
三、学习心得与体会1. 善用工具在课程学习中，我发现利用合适的编程工具，如IDE、调试器等，能够提高算法设计与分析的效率和准确性。
同时，我也学会了如何利用在线资源、论坛和社区来解决在算法实现过程中遇到的问题和困难，这对于自己的学习和成长非常有帮助。
2. 实践与总结算法设计与分析实训课程注重实践操作和实际问题的解决，而不仅仅是理论知识的学习。
- 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)。
● 算法概述 算法性质：算法是输入、输出、有限性、确定性，若干条指令组成的有穷序列；程序可以不符合有限性是算法用某种程序设计语言的具体实现；算法复杂性：时间复杂性、空间负责性；O 阶数高，欧姆阶低，h 相等。
O 定义：存在正的常数C 和自然是N0，使得当N>=N0时，有f(N)<=Cg(N),则称f(N)当N 充分大时上有界，且g （N ）是他的一个上界，记为f(N)=O(g(N)). P 类问题：多项式时间内求解的判定问题，确定性计算模型下的已解类问题类；NP 类问题：非确定性多项式时间可解的判定问题；非确定性计算模型下的易验证问题类。
● 递归与分治策略 递归算法定义：直接或间接调用自身的算法；用函数自身给出定义的函数称为。
；阶乘、数列分治基本思想：将一个规模为n 的问题分解我k 个规模较小的子问题，这些子问题相互独立且与原问题相同。
递归的解决这些问题，然后将各个子问题的解合并得到原问题的解。
分治法的基本步骤：（1）分解：将原问题分解为若干个规模较小、相互独立、与原问题形式相同的子问题；（2）解决：若子问题规模较小容易被解决则直接解决，否则递归递归解决各个子问题；（3）合并：将各个自问的解合并为原问题的解。
分治法解决问题的基本特征：（1）该问题缩小到一定的程度就可以很容易的解决；（2）该问题可以分解为若干个规模较小的相同问题，即该问题具有最优子结构性质；（3）利用该问题分解出的子问题可以合并为该问题的解。
（4）原问题分解出来的子问题是相互独立的，问题之间不包含公共子问题。
二分搜索描述：（分治策略的典型）将n 个元素分成个数大致相同的两半，取a[n/2 ]与x 相比较，如果x=a[n/2 ]，找到x 算法终止；如果x<a[n/2 ]，则只在数组的a 的左半边分继续搜索x ，如果x>a[n/2 ]。
合并排序：将待排序的元素分成大小大致相同的两个子集合，分别对两个子集合进行排序，最终将排序好的子集合合并成所要求的排好序的集合。
自然排序：自然排序是合并排序的变形；找出所有排好序的子数组段，将相邻的排好序的子数组段两两合并，构成更大的排好序的子数组段，直至整个数组排好序。
快速排序：分解：以a[p]为基准元素，将a[p:r]划分为3段a[p,q-1]，a[q]，a[q+1,r]，使a[p,q-1]中的元素都小于a[q]，a[q+1,r]中的元素都大于a[q]，下标q 在划分过程中确定；递归求解：通过递归调用快速排序算法对a[p,q-1]，a[q+1,r]进行排序；合并：对于a[p,q-1]，a[q+1,r]的排序是就地进行的，所以在a[p,q-1]，a[q+1,r]都已经排好序，得到的a[p:r]为排好序的数组。
快速排序算法改进：随机选择策略的快速排序算法（舍伍德算法）；在a[p:r]中随机选出一个元素作为划分基准，期望得到的划分是较对称的。
线性时间选择：在n 个元素中找出第k 小的元素1<=k<=n ；其基本思想是对输入数组进行递归划分，对划分出的子数组之一进行递归处理。
也属于随机化算法，舍伍德算法。
● 动态规划问题动态规划算法基本思想：将带求解的问题分解为若干个子问题，子问题往往不是相互对立的，对子问题进行求解并用一个表来记录所有已解决的子问题的答案，通过子问题的解获得原问题的解。
动态规划算法设计步骤：（1）找出最优解性质，并刻画其结构特征；（2）递归定义最优值；（3）自底向上的方式计算出最优值；（4）根据计算最优值时得到的信息构造最优解；动态规范算法基本要素：最优子结构性质和子问题重叠性质；最优子结构性质：问题的最优解中包含了其子问题的最优解；重叠字问题：在用递归算法自定向下解决问题时每次产生的问题都不总是新问题，有些子问题被反复计算多次。
备忘录方法：（动态规划算法的变形）用表格保存已解决子问题的答案，需要是直接查看不需要重复求解（相同点），动态规划为自底向上递归，备忘录方法为自顶向下（不同点）。
与直接递归方法的控制结构相同，但是在每个解过的子问题建立备忘录需要时可查看，避免相同自问题重复求解。
矩阵连乘积：最少数乘次数{}11[][][][][1][]min i k j i k ji j m i j m i k m k j p p p i j -≤≤=⎧⎪=+++<⎨⎪⎩ 动态规划—0-1背包问题：m(i,j)为最优值，其中i 表示可以放入的物品为i 、i+1。
n ，j 表示背包剩余容量为j.max{(1,),(1,)}(,)(1,)0i i i i m i j m i j w v j w m i j m i j j w ++-+≥⎧=⎨+≤<⎩ (,)00n nn v j w m n j j w ≥⎧=⎨≤<⎩动态规划算法与分治法的异同：（同）都是将规模较大的问题划分为规模较小的子问题进行求解，通过子问题的解得到原问题的解；（不同点）动态规划算法中分解得到的子问题往往不是相互对立的，分治法中得到的自问题往往是相互对立的。
●贪心算法贪心算法概念：总是做出当前看来最好的选择，及做出的选择为局部最优选择，并期望得到整体最优。
贪心算法的基本要素：贪心选择性、最优子结构性质。
贪心选择性是指，问题的整体最优解可以通过一系列局部最优的选择，即贪心选择来达到。
贪心选择算法与动态规划算法的异同点：同：都要求问题具有最优子结构性质；异：动态规划算法为自底向上的方式解各子问题，贪心算法为自顶向下的方式进行，以迭代的方式作出相继的贪心选择，每做一次贪心选择问题就转换为规模更小的字问题。
活动安排问题：选择具有最早完成时间的活动，是剩余的可安排时间段极大化，一边安排尽可能多的相容活动。
装载策略：重量轻者先装。
前缀码：对每一个字符规定为0,1串作为其代码，并要求任一字符的代码都不是其他字符的代码的前缀。
●回溯法回溯法定义：以深度优先的方法搜索问题解的算法。
回溯法基本思想：确定解空间的组织结构后，从开始结点（根节点）出发，以深度优先的方式搜索整个解空间。
这个开始结点成为活结点，同时也成为当前的扩展结点。
在当前的扩展结点出，搜索向纵深方向移至一个新的结点。
这个新的节点成为当前的扩展结点。
若果当前的扩展结点不能再向纵深方向移动，则当前扩展结点解成为死节点，此时应往回移动至最近的一个活结点处并使这个活结点成为当前扩展结点。
回溯法以这种工作方式递归地在解空间中搜索，直至找到所要求的解，获解空间中已无活结点时为止。
回溯法搜索方法：既有系统性又有跳跃性，在问题的解空间树中按照深度优先的策略，从根节点出发，搜索解空间树。
算法搜索至解空间中的任意一结点时，先判断该节点是否含有问题的解。
如果肯定不包含，则跳过对以该节点为根的子树的搜索，逐层向其祖先节点回溯。
否则进入该子树，继续按照深度优先策略进行搜索。
回溯法求解问题的所有解时要回溯到跟，且根结点的所有字数都已被搜索遍才结束。
若只求一个接，则搜索到该解即可结束。
回溯法解题的算法框架：递归回溯、迭代回溯、子集树算法、排列树算法。
子集树：当所给的问题是从n个元素的集合中找出满足某种性质的子集是，相应的解空间树称为子集树。
这类子集树通常含有2n个叶节点，遍历子集树需要O（2n）计算时间。
排列树：当所给的问题是确定n个元素满足某种性质的排列时，相应的解空间树被称为排列树。
这类子集树通常含有n！个节点，遍历排序树需要O（n！）计算时间。
●分支限界法分支限界法与与回溯法的差异：（1）目标不同：回溯法求解的目标是找出解空间中满足约束条件的所有解，二分支限界发是找出满足约束条件的一个解，或是在满足约束条件的解中找出满足某种条件的最优解。
（2）搜索方式不同，回溯法以深度优先的方式搜索解空间，分支限界法是以广度优先或者最小耗费（最大效益）优先的方式搜索问题的解空间。
（3）对扩展结点的扩展方式不同。
对当前扩展结点采用的方式不同，在分支、、中，每个活结点只有一次机会成为扩展结点。
活结点一旦成为扩展结点就一次性产生其所有儿子结点。
在这些儿子结点中，不可行解或导致非最优解的儿子结点被舍弃，其余儿子结点加入到活结点表中。
从活结点表中取下一个结点成为当前扩展结点，并重复上述结点扩展过程，直到找到所有解，或活结点表为空时为止。
（4）存储空间你要求不同。
分支限定法的搜索策略：在扩展结点处，先生成儿子节点，然后在从当前的活结点表中选择下一个扩展结点。
为了有效地选择下一个扩展结点，加速搜索过程，在每一个活结点出，计算函数值（限界），并根据函数值，从当前活结点表中选择一个最有利的结点作为扩展结点，使搜索朝着解空间上有最优解的分支上推进，以便尽快的找出最优解。
分支限界法的算法框架：队列式分支限界法，优先队列式分支限界法队列式分支限界法：将活结点表组织成一个队列，并按队列的先进先出原则选取下一个结点为当前扩展结点。
优先队列式分支限界法：将活结点表组织成一个优先队列式，并按照优先队列中规定的结点优先级选取优先级最高的下一个结点成为当前扩展结点。
分支限定法算法设计步骤：（1）针对所给问题，定义问题的解空间（2）确定易于搜索的解空间结构；（3）以广度优先获最小耗费的方式搜索解空间，并在搜索工程中用剪枝函数避免无效搜索。
●随机化算法随机化算法分类：数值随机化算法（数值问题求解）、蒙泰卡罗算法（准确解未必正确）、拉斯维加斯算法（一定是正确解但未必找到）、舍伍德算法（总能求到问题的一个正确解）。
线性同余法是产生伪随机数最常用的方法。
舍伍德算法可获得较好的平均性能。