算法原理

### 课程内容： 1. Introduction: 算法基础概念 2. Mathematics: 数学基础 3. **Divide and Conquer: 分治算法** 4. **Greedy Algorithm: 贪心算法** 5. **Dynamic Programming: 动态规划** 6. Amortize Analysis: 摊销分析（聚集法+记账法+势能法） 7. Randonmized Algorithm: 随机算法（Monte Carlo + Las Vegas + Sherwood） 8. Approximation Algorithm: 近似算法 9. Tree Search: 树搜索 10. NP: 可计算性与计算复杂性（可计算性理论+NP问题理论） 11. **Optimaztion Algorithm: 优化算法**（SA + GA + PSO） 上面的黑色字体就是考试和作业的重点火葬场。 此外，其他重点或稍重点还包括：数学基础中的递归方程和主定理、摊销分析中的势能法、树搜索中的分支限界算法以及A*算法、优化算法中的模拟退火算法。 难点嘛，各章节其实都挺难，难中之难的是NP里某些概念的理解，还有各种算法的分析和证明部分。不过考试不碰这些。 内容上根本不是”和数据结构差不多“，区别大得像火锅和关东煮。 ### 上课自由度： 随机签到（本学期签了8次，似乎只会签到1/3*24=8次，也就是说这8次全缺席就直接满足1/3条件） ### 考核标准： 40%平时（考勤+作业+实验报告）+60%期末考试（闭卷） ### 授课质量： 说实话绳老师讲课比较催眠，毕竟算法本身就干，还强数学、强证明，三重安眠buff。 但要是选了这门课，**推荐好好听课，上课不要干别的**，哪怕它只是一门交叉课/个性化。 因为这门课**真能教会你一点算法的思想和概念**，比如分治算法和动态规划、比如分支限界、比如A*、比如模拟退火，部分算法在EDA设计里是有用的（尤其模拟退火）。 其次，**要是之前上课没怎么听，后面考试复习会很痛苦**，因为很多章节内容都挺难，而且**考试题量很大、要求写伪代码和分析复杂度的地方很多、还有一堆直接考察概念的地方**。 但**要是你上课好好听了，或者至少复习花了大把时间把这些章节啃透，考试还是比较轻松的**，虽然体量大但难度不高，基本上是每个章节几个经典问题里挑一个出来做点变式，甚至有些变式拙劣到你一眼就能看出原型。 任务量不算大，主要集中在第3~5章和第11章（有作业和实验）。其他章节零零散散总共就两三次作业。 个人觉得AI时代下不妨了解一下这些传统算法，至少微电子领域的EDA里某些传统算法应该还在广泛用。至少十年内估计不会出现”纯 Transformer 自动出 GDS“的情形哈哈哈

课程内容： 复杂度分析，分治，贪心，DP，摊销分析，随机算法，近似算法，搜索，NP问题，优化算法 上课自由度： 签到花样见过玩得最离谱的老师，时间还随缘得像抽卡，建议每节课都去保命，但只要你人到了老师就不管你干啥 考核标准： 10%签到+30%作业实验+60%期末 授课质量： 老师上课自带催眠buff；ppt质量很高，是老师用latex做的，规整得像刚军训完，适合自学。 ppt的难度比作业和考试还高一点，把它嚼透了考试基本横着走，常用算法的基础用法基本都给你安排上了。

课程内容：数学方法、分治算法、贪心算法、动态规划、摊销分析、随机算法、近似算法、树搜索策略、NP完全问题、优化算法 上课自由度：几乎每节课签到 考核标准：10%出勤+30%作业实验+60%期末考试，考试差不多都是ppt上内容或它的变式，还有就是……非得扣我0.7的平时分吗。。 授课质量：讲得还算清楚，有一点催眠功效，但ppt质量很高，挺适合自学。

课程内容： 乍一看像数据结构的孪生兄弟，甚至还比数据结构要好过日子 上课自由度： 非常高，出勤栏杆全放下来了，老师干脆不看 考核标准： 作业简单到像个提示条，考试题型又把作业题内容原地抱回来完整复播 授课质量： 耳朵专心在线是可以薅到点算法思维的羊毛的，奈何作为交叉课，大伙儿的上线状态整体都不算紧。用作泄洪的学分机极其丝滑，事少，给分还高

课程内容：4 分，算法这口锅不好端但能吃饱。 上课自由度：5 分，等于自助餐，来不来自己拿捏。 考核标准：5 分，规矩清清楚楚不像某些玄学课。 授课质量：4 分，差那一分可能是留白艺术。