第17章 平摊分析
17.1 聚集分析
这里的确定一个n个操作序列的总代价的上界T（n），也许某一步操作代价很大，但是平均代价很小的。该分析会被用在分析单源最短路径中的Dijkstra算法中，其朴素版本算法复杂度为O（v2+E），其中的E就是用聚集分析分析出来的。
两个例子：
第一个例子 （考虑某个出栈k个元素的操作）
第二个例子
一个二进制加法器的操作
我的直观感觉就是针对一个数据结构的操作分布在n步中，也许每一步的不太可能是O（1），但是用聚集分析技术，可以得到T（n）/n平均也可以得到是O（1）的。
第24章 单源最短路径
24.1
24.3 Dijkstra 算法
算法伪代码
算法正确性证明（非常希望掌握的能力，你怎么证明你的算法是对的？）
算法复杂度分析
对于上面的算法而言，while会进行V次，其中EXTRACT-Min（Q）的复杂度也是V，因为需要遍历所有的节点，而for循环因为聚集分析技术所以其总的是E，所以可得时间复杂度为O(v2+E)，当然这是朴实的结果
当图比较稀疏时，准确地说是
可以使用二叉堆数据结构代替Q，进而得到时间复杂度的提升。有一篇论文是《Expected Performance of Dijkstra's Shortest Path Algorithm》，它图中显示了decrease-key operations（基于堆的最小队列）操作的预期时间复杂度的上界，其假设就是一个概率图的模型，只有在这个假设下，其使用基于堆的最小队列的dijstra算法，的decrease-key 操作有O(nlog（1+m/n）的期望复杂度，其中m为边数目，n为点数目。
这一块就涉及图论及其算法了，有点复杂，搞不来，各种类型的图都可以考虑啥的。