- 贪心算法（Greedy Algorithm）
定义：
贪心算法是一种在每一步选择中都采取在当前状态下最好或最优（即最有利）的选择，从而希望导致结果是全局最好或最优的算法。贪心算法并不是对所有问题都能得到整体最优解，关键是贪心策略的选择。
特点：
局部最优选择：每一步都选择当前状态下的最优解。
不回溯：一旦做出选择，就不再更改。
应用场景：
找零钱问题（每次取面值最大的硬币）。
霍夫曼编码（构建最优前缀编码）。
- 分治法（Divide and Conquer）
定义：
分治法是一种将问题分解为若干个子问题，递归地解决这些子问题，然后将子问题的解合并起来得到原问题的解的算法。
步骤：
分：将问题分解为若干个子问题。
治：递归地解决这些子问题。
合：将子问题的解合并起来得到原问题的解。
应用场景：
归并排序（将数组分为两半，分别排序后合并）。
快速排序（选择一个基准元素，将数组分为两部分，递归排序）。
- 回溯法（Backtracking）
定义：
回溯法是一种通过探索所有可能的候选解来找出所有解的算法。如果候选解被确认不是一个解（或者至少不是最后一个解），回溯法会通过在上一步进行一些更改来丢弃该解，即"回溯"并尝试其他可能的解。
基本思想：
试探：从一条路往前走，能进则进，不能进则退回来，换一条路再试。
回溯：当试探到某一步时，发现原先选择并不优或达不到目标，就退回一步重新选择。
应用场景：
八皇后问题（在8x8的棋盘上放置八个皇后，使得它们不能互相攻击）。
图的着色问题（给定一个无向图，用k种颜色给图中的顶点着色，使得任意两个相邻的顶点颜色不同）。
- 动态规划法（Dynamic Programming）
定义：
动态规划通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可行解，每个解都对应一个值，动态规划的目标是找到具有最优值的解。
特点：
分解子问题：将原问题分解为若干个子问题。
保存子问题解：保存已解决的子问题的解，避免重复计算。
最优子结构：原问题的最优解所包含的子问题的解也是最优的。
应用场景：
背包问题（给定一组物品，每种物品都有自己的重量和价值，在限定的总重量内，如何选择使得物品的总价值最高）。
最短路径问题（在图中找到从一个顶点到另一个顶点的最短路径）。
- 最大流算法（Maximum Flow Algorithm）
定义：
最大流算法是在流网络中找到从源点到汇点的最大流量。流网络是一个有向图，图中的边有容量限制。
关键概念：
残留网络：表示当前网络中每条边还可以传输多少流量的网络。
增广路径：在残留网络中，从源点到汇点的一条路径，其路径上的最小残留容量即为该增广路径的容量。
算法步骤：
初始化流网络。
在残留网络中寻找增广路径。
如果找到增广路径，则更新网络中的流量。
重复步骤2和3，直到残留网络中不存在增广路径为止。
应用场景：
网络流优化问题（如带宽分配、运输调度等）。
某些特定的最优化问题，可以通过转换为网络流模型来解决。