Introduction to algorithm in C++

这是我的第一篇博文，学习C++半学期以来，时常会忘记很多基础语法等，经过思考，我决定以后把自己学到的东西都记录下来。一来，帮助记忆；二来，能检查自己是否真的懂了；三来，和广大网友交流分享，这样自己理解有误的地方还能得到改正，实在是利处多多。

算法是程序设计中重要的一环，曾看到有人说：程序=算法+数据结构。可见算法和数据结构的重要性。学习C++半学期，听到最多关于算法的就是算法的复杂度，经常会听到

O(n), O(1), O(n²), O(logn), 指数增长......

初听起来似乎很复杂，今天看书，由于书上并没有多讲，所以目前看来还不是很复杂，不过分析具体的程序的算法复杂度还是挺麻烦的，因为有很多常数次基本操作都需要计入，最终仅保留最高次。

算法的复杂度包括时间复杂度和空间复杂度。

时间复杂度（time complexity）：​

时间复杂度是对程序运行时间的估计，由于一般情况下，程序运行时间会随着输入规模的增大而增大，所以对时间复杂度的估计依赖于输入规模n，一般，n越大，所消耗的时间就越长，因此，时间复杂度可看作是一个关于n的函数映射，我们记为T（n）.​​​​​​​

T（n）描述一个程序的计算效率的高低，不同的规模的输入适应不同的算法，并不是说T（n）最小就是最合适的。

D。Knuth在The Art of Computer Programming中提出几种记法，对时间复杂度的分析似乎很重要，也就是O（Big-O notation），Ω（Big-omega notation）, Θ​​（Big-theta notation）

在时间复杂度的分析中，几种常数次基本操作很重要，最终就是通过对他们的次数求和来估算运行时间的。包括：逻辑判断，位运算，加法，右移等

O（n）是对时间复杂度的一个保守估计，也就是T（n）的上界

   定义：当存在常数C，使得对任意n>2，均有T（n）≤Cf(n), 则记T（n）=O（f(n)）

Ω​​（n）是对时间复杂度的一个良好估计，也就是T（n）的下界

   定义：当存在常数C，使得对任意n>2,均有T（n）≥​Cf(n), 则记T（n）=Ω​​（f(n)）

Θ（n）是T（n）的一个类似极限的概念

   定义：当存在常数C1，C2，使得对任意n>2,均有C1h（n）≤T（n）≤C2h（n），则记为T（n）=Θ（h(n)）

例如下面的代码就是O（logn）的复杂度：

代码是用来计算一个无符号整型数字在二进制表示下有多少位数字 1。 代码来源邓俊辉的《数据结构C++语言描述》

int count_1s(unsigned int n){
    int ones=0;
    while(n>0){
        ones +=(1 & n);
        n >>=1;     
    }
}

这串代码，初始化1，while循环1+log2n次，每次循环执行1次位运算，1次赋值运算，1次移位运算，所以T（n）=O(3log2n+4)=O(logn);这里我们省略了log2中的底数2，笼统的表示为一个  对数复杂度。  在程序运行过程中，如果能将复杂度降到 常数次或者对数，那就是非常不错高效的算法了。

空间复杂度（space complexity）：

空间复杂度是对代码的存储空间的一个衡量标准，一些基础操作都会占用存储，例如 转储，中转，索引，映射，缓冲等等（这里我也只是把书上抄上来了，马上再去google）空间复杂度的衡量也是和时间复杂度一样用三种符号记，最常用的也同样是O（n）.