图解算法(使用Python第2版)

本书综合讲述算法及其数据结构，内容浅显易 懂、逻辑严谨，范例丰富、易于学习和掌握，力求 兼顾教师教学和学生自学。 全书从算法的基本概念开始讲解，接着介绍各 个经典的算法，包括分治法、递归法、贪心法、动 态规划法、迭代法、枚举法、回溯法等；随后讲述 核心的数据结构，即数组、链表、堆栈、队列、树 结构、图结构、哈希表等；最后展开阐述不同数据 结构上实现的算法，包括排序算法、查找算法、数 组和链表相关算法、信息安全基础算法、堆栈和队 列相关算法、树结构相关算法、图结构相关算法、 人工智能基础算法。 本书为每个算法及其数据结构提供演算的详细 图解，并为每个经典的算法提供Python语言编写的 完整范例程序（包含完整的源代码）。每个范例程 序都经过了测试和调试，可以直接在标准的Python 语言环境中运行。在每章末尾安排大量的习题（包 括各类考试的例题），并在附录中提供解答，以供 读者自测学习效果。

吴灿铭,现任荣钦科技股份有限公司执行长，美国Rochester Institute of Technology计算机科学研究所毕业，长期从事信息教育及计算机图书写作的工作，计算机图书著作包括计算器概论、数据结构、办公室电子数据处理、互联网等相关题材，并监制过多套游戏以及教学软件的研发。

第1章 进入算法世界 1.1 运算思维简介 1.1.1 分解 1.1.2 模式识别 1.1.3 模式概括与抽象 1.1.4 算法 1.2 计算思维的脑力大赛 1.2.1 三分球比赛灯记录器 1.2.2 图像字符串编码 1.2.3 计算机绘图指令实践 1.2.4 炸弹超人游戏 1.3 生活中到处都是算法 1.3.1 算法的条件 1.3.2 时间复杂度 1.4 课后习题 第2章 经典算法介绍 2.1 分治法 2.2 递归法 2.3 贪心法 2.4 动态规划法 2.5 迭代法 2.6 枚举法 2.7 回溯法 2.8 课后习题 第3章 数据结构简介 3.1 认识数据结构 3.2 常见的数据结构 3.2.1 数组 3.2.2 链表 3.2.3 堆栈 3.2.4 队列 3.3 树结构简介 3.3.1 树的基本概念 3.3.2 二叉树 3.4 图论简介 3.5 哈希表 3.6 课后习题 第4章 排序算法 4.1 认识排序 4.2 冒泡排序法 4.3 选择排序法 4.4 插入排序法 4.5 希尔排序法 4.6 合并排序法 4.7 快速排序法 4.8 基数排序法 4.9 课后习题 第5章 查找算法 5.1 顺序查找法 5.2 二分查找法 5.3 插值查找法 5.4 斐波那契查找法 5.5 课后习题 第6章 数组与链表相关算法 6.1 矩阵算法与深度学习 6.1.1 矩阵相加 6.1.2 矩阵相乘 6.1.3 转置矩阵 6.1.4 稀疏矩阵 6.2 数组与多项式 6.3 单向链表算法 6.3.1 单向链表的连接功能 6.3.2 单向链表插入节点的算法 6.3.3 单向链表删除节点的算法 6.3.4 对单向链表进行反转的算法 6.4 课后习题 第7章 信息安全基础算法 7.1 数据加密 7.1.1 对称密钥加密系统 7.1.2 非对称密钥加密系统与RSA 算法 7.1.3 认证 7.1.4 数字签名 7.2 哈希算法 7.2.1 除留余数法 7.2.2 平方取中法 7.2.3 折叠法 7.2.4 数字分析法 7.3 碰撞与溢出处理 7.3.1 线性探测法 7.3.2 平方探测法 7.3.3 再哈希法 7.3.4 链表 7.4 课后习题 第8章 堆栈与队列相关算法 8.1 以数组来实现堆栈 8.2 以链表来实现堆栈 8.3 汉诺塔问题的求解算法 8.4 八皇后问题的求解算法 8.5 用数组来实现队列 8.6 用链表来实现队列 8.7 双向队列 8.8 优先队列 8.9 课后习题 第9章 树结构相关算法 9.1 用数组来实现二叉树 9.2 用链表来实现二叉树 9.3 二叉树遍历 9.4 二叉查找树 9.5 二叉树节点的插入 9.6 二叉树节点的删除 9.7 堆积树排序法 9.8 扩充二叉树 9.9 哈夫曼树 9.10 平衡树 9.11 博弈树 9.12 课后习题 第10章 图结构相关算法 10.1 图的简介 10.1.1 欧拉环与欧拉链 10.1.2 无向图及其重要术语 10.1.3 有向图及其重要术语 10.2 图的数据表示法 10.2.1 邻接矩阵法 10.2.2 邻接链表法 10.2.3 邻接复合链表法 10.2.4 索引表格法 10.3 图的遍历 10.3.1 深度优先遍历法 10.3.2 广度优先遍历法 10.4 生成树 10.4.1 Prim算法 10.4.2 Kruskal算法 10.5 图的最短路径法 10.5.1 Dijkstra算法与A*算法 10.5.2 Floyd算法 10.6 课后习题 第11章 人工智能基础算法 11.1 机器学习简介 11.1.1 监督式学习 11.1.2 半监督式学习 11.1.3 无监督式学习与K均值聚类 11.1.4 强化学习 11.2 认识深度学习 11.2.1 人工神经网络 11.2.2 卷积神经网络 11.2.3 循环神经网络 11.3 课后习题 附录 课后习题与解答