如果说计算机之于计算机科学就像望远镜之于天文学，那么编程语言就像望远镜的镜头。无论是在本科的课堂（计算机科学、软件工程等）上，还是在中级编程课本（例如，关于人工智能或算法的入门书）中，有些交给新手程序员解决的特定编程问题已经变得司空见惯了，以至于可以被视为经典。从简单的只需寥寥数行代码就能够解决的问题，到复杂的需要跨多个章节来构建系统的问题，这些问题范围很广。有些问题涉及人工智能，有些问题仅涉及常识，有些问题是实际存在的，而有些问题是虚构的。
20年来，Java已经成为世界上非常流行的编程语言之一。可以说，它已经成为企业、高等教育以及Android应用程序开发中的主导语言。通过本书，希望能够引领大家意识到Java不仅仅是实现最终目标的一种手段，还是解决计算问题的一种工具。本书中的问题能够帮助老练的程序员在学习某些编程语言高级特性的同时，反思之前学过的计算机科学课程内容并有新的收获。使用Java的在校生和自学型程序员都可以通过学习普遍适用的问题求解技术来加速计算机科学课程的学习进度。本书涵盖了各种各样的问题，因此所有人都能从中受益。
内容简介
无论何种软件开发问题，都有可能已经有了解决方案。本书收集了非常有用的解决方案，可以指导你学习那些经过千锤百炼的解决问题的技术。本书介绍的原则和算法可以保证你在一个又一个的项目中节省大量的时间。
本书包含50多个练习，这些练习是多年来一直在计算机科学课堂中使用的。你可以通过实践这些例子来探索核心算法、约束问题、人工智能应用等。
本书主要内容包括：
- 递归、记忆化和位操作。
- 搜索、图和遗传算法。
- 约束满足问题。
- k均值聚类、神经网络和对抗搜索。
本书结构
第1章介绍大多数读者可能已经熟知的问题求解技术。像递归、记忆化和位运算这类内容是后续章节讨论其他技术的基础。
第2章重点介绍搜索问题。搜索是一个非常大的主题，本书中的大部分问题都可以归到这个主题下。本章介绍最基本的搜索算法，包括二分搜索、深度优先搜索、广度优先搜索和A*搜索。
第3章介绍如何建立一个框架来解决广泛的问题。这些问题可以用相互之间受到约束的有限领域变量来进行抽象，包括经典的八皇后问题、澳大利亚地图着色问题以及字谜问题。
第4章探索图算法。对于初学者来说，这些算法的适用范围非常广。本章将介绍如何构建图数据结构，然后使用它来解决几个经典的优化问题。
第5章探讨遗传算法，这种算法在不确定性上要比本书中的大多数算法大得多，但有时可以解决那些传统算法无法在合理的时间内解决的问题。
第6章介绍k均值聚类，这可能是本书中算法最具体的一章。这种聚类技术实现简单，易于理解，适用范围广。
第7章解释什么是神经网络，旨在让读者领略简单神经网络究竟是什么样子的。本章不会全面介绍这个令人兴奋而又不断发展的领域，而是介绍如何在不使用外部库的情况下根据基本原理来构建神经网络，让你真正了解神经网络究竟是如何工作的。
第8章介绍双人博弈中的对抗搜索。本章将探索一种被称为极小化极大的搜索算法，该算法可以用来开发国际象棋、国际跳棋和四子棋程序。
第9章涵盖一些书中其他章节没有提及的有趣问题。
第10章是对Oracle的Java语言架构师布赖恩·戈茨（Brian Goetz）的访谈，他指导了该语言的开发工作。他为读者提供了一些有关编程和计算机科学的明智建议。
关于代码
本书源代码是基于Java 11编写的，而且利用了Java 11的某些新特性。之所以选择Java 11版本，是因为该版本是撰写本文时Java所发布的最新LTS（Long-Term Support，长期维护）版本。事实上，其中大量代码都可以在Java 8及之后的版本中运行。据我所知，仍有很多程序员出于各种各样的原因（比如Android）在使用Java 8，但是我希望能在使用较新Java版本的同时，通过讲授一些该语言的新特性来为读者提供额外的价值。
作者简介
大卫·科帕克（David Kopec）
在香普兰学院担任计算机科学与创新专业助理教授，教授数据结构与算法、iOS开发、Android开发、开源软件开发以及编程语言理论等计算机科学课程。他有iOS和Web开发背景，并且还是一位活跃的业余应用程序开发者和开源项目负责人。著有Classic Computer Science Problems in Python（Manning, 2019)、Classic Computer Science Problems in Swift（Manning, 2018）。
目录
前 言
致 谢
第1章 一些小问题 1
1.1 斐波那契数列 1
1.1.1 第一次递归尝试 1
1.1.2 基线条件的运用 2
1.1.3 使用记忆化 4
1.1.4 简洁的斐波那契方法 5
1.1.5 使用流来生成斐波那
契数列 6
1.2 简单的压缩算法 6
1.3 牢不可破的加密方案 10
1.3.1 按顺序获取数据 10
1.3.2 加密和解密 11
1.4 计算π 13
1.5 汉诺塔问题 14
1.5.1 对塔进行建模 15
1 5.2 求解汉诺塔问题 15
1.6 实际应用 17
1.7 习题 18
第2章 搜索问题 19
2.1 DNA搜索 19
2.1.1 存储DNA 19
2.1.2 线性搜索 21
2.1.3 二分搜索 22
2.1.4 通用示例 25
2.2 迷宫求解 26
2.2.1 生成随机迷宫 28
2.2.2 迷宫的其他方法 30
2.2.3 深度优先搜索 31
2.2.4 广度优先搜索 35
2.2.5 A*搜索 38
2.3 传教士和食人族问题 43
2.3.1 用代码来表达问题 44
2.3.2 求解 46
2.4 实际应用 48
2.5 习题 49
第3章 约束满足问题 50
3.1 构建约束满足问题的解决框架 51
3.2 澳大利亚地图着色问题 54
3.3 八皇后问题 57
3.4 单词搜索问题 59
3.5 字谜问题 65
3.6 电路板布局问题 66
3.7 实际应用 67
3.8 习题 67
第4章 图问题 68
4.1 地图是图的一种 68
4.2 搭建图的框架 70
4.3 查找最短路径 76
4.4 最小化网络构建成本 78
4.4.1 权重处理 78
4.4.2 查找最小生成树 82
4.5 在加权图中查找最短路径 87
4.6 实际应用 91
4.7 习题 92
第5章 遗传算法 93
5.1 生物学背景 93
5.2 通用遗传算法 94
5.3 简单测试 101
5.4 回顾字谜问题 103
5.5 优化列表压缩算法 107
5.6 遗传算法面临的挑战 110
5.7 实际应用 110
5.8 习题 111
第6章 k均值聚类 112
6.1 预备知识 112
6.2 k均值聚类算法 115
6.3 按年龄和经度对州长进行
聚类 121
6.4 按长度对迈克尔·杰克逊的
专辑进行聚类 125
6.5 k均值聚类算法问题及其
扩展 127
6.6 实际应用 127
6.7 习题 128
第7章 简单神经网络 129
7.1 生物学基础 129
7.2 人工神经网络 131
7.2.1 神经元 131
7.2.2 层 132
7.2.3 反向传播 133
7.2.4 全貌 135
7.3 预备知识 136
7.3.1 点积 136
7.3.2 激活函数 137
7.4 构建神经网络 138
7.4.1 神经元的实现 138
7.4.2 层的实现 139
7.4.3 神经网络的实现 141
7.5 分类问题 144
7.5.1 数据的归一化 145
7.5.2 经典的鸢尾花数据集 146
7.5.3 葡萄酒的分类 150
7.6 加速神经网络 152
7.7 神经网络存在的问题及扩展 153
7.8 实际应用 154
7.9 习题 155
第8章 对抗搜索 156
8.1 棋盘游戏的基础组件 156
8.2 井字棋 158
8.2.1 井字棋的状态管理 158
8.2.2 极小化极大算法 161
8.2.3 用井字棋测试极小化
极大算法 164
8.2.4 开发井字棋AI 166
8.3 四子棋 168
8.3.1 四子棋游戏程序 168
8.3.2 四子棋AI 174
8.3.3 用alpha-beta剪枝算法优化
极小化极大算法 176
8.4 超越alpha-beta剪枝效果的
极小化极大算法改进方案 177
8.5 实际应用 178
8.6 习题 179
第9章 其他问题 180
9.1 背包问题 180
9.2 旅行商问题 185
9.2.1 朴素解法 186
9.2.2 进阶 190
9.3 电话号码助记符 191
9.4 实际应用 194
9.5 习题 194
第10章 采访布赖恩·戈茨 195
附录A 术语表 206
附录B 更多资源 210
