算法基础概念

算法

定义

算法是解决特定问题求解步骤的描述，在计算机中表现为指令的有限序列，并且每条指令表示一个或多个操作。
为了解决某个或某类问题，需要把指令表示成一定的操作序列，操作序列包括一组操作，每一个操作都完成特定的功能，这就是算法了。

特性

算法具有5个基本特性：输入、输出、有穷性、确定性、可行性。
1. 输入输出
算法具有零个或多个输入。算法至少有一个或多个输出。
2. 有穷性
算法在执行有限的步骤之后，自动结束而不会出现无线循环，并且每一个步骤在可接受的时间内完成。
3. 确定性
算法的每一个步骤都具有确定的含义，不会出现二义性。
4. 可行性
算法的每一步都是可行的，也就是说，每一步都能够通过执行有限的次数完成。

算法设计的要求

1. 正确性
   算法的正确性是指算法至少应该具有输入、输出和加工处理无歧义性、能正确反映问题的需求、能够得到问题的正确答案。
   算法的正确可以分为4个层次：

   • 算法程序没有语法错误
   • 算法程序对于合法的输入数据能够产生满足要求的输出结果
   • 算法程序对于非法的输入数据能够得出满足规格说明的结果
   • 算法程序对于精心选择的，甚至刁难的测试数据都有满足要求的输出结果

   算法的正确性在大部分情况下都不可能用程序来证明，而是用数学方法证明的。证明一个复杂算法在所有层次上都是正确的，代价非常昂贵。所以一般情况下，我们把层次3作为一个算法是否正确的标准。

2. 可读性
   算法设计的另一个目的是为了便于阅读、理解和交流。
   可读性高有助于人们理解算法，晦涩难懂的算法往往隐含错误，不易被发现，并且难于调试和修改。
3. 健壮性
   当输入数据不合法时，算法也能做出相关处理，而不是产生异常或莫名其妙的结果。
4. 时间效率高和存储量低
   时间效率指算法的执行时间。存储量指算法程序运行时所占用的内存或外部硬盘的存储空间。
   设计算法应尽量满足时间效率高和存储量低的需求。

算法效率的度量方法

1. 事后统计方法
   这种方法主要是通过设计好的测试程序和数据，利用计算机计时器对不同算法编制的程序的运行时间进行比较，从而确定算法效率的高低。
   这种方法有很大的缺陷，一般不予考虑。

2. 事前分析估算方法
   在计算机程序编制前，依据统计方法对算法进行估算。
   一个用高级程序语言编写的程序在计算机运行时所消耗的时间取决于下列因素：

   • 算法采用的策略、方法(算法好坏的根本)
   • 编译产生的代码质量(依赖软件支持)
   • 问题的输入规模
   • 机器执行指令的速度(依赖硬件性能)

   由上可知，一个程序的运行时间，依赖于算法的好坏和问题的输入规模。问题输入规模是指输入量的多少。

在分析程序运行时间时，最重要的是把程序看成是独立于程序设计语言的算法或一系列步骤。把基本操作的数量和输入规模关联起来，即基本操作的数量必须表示成出入规模的函数。随着输入规模的越来越大，它们再时间效率上的差异也就越来越大。

函数的渐近增长

给定两个函数f(n)和g(n)，如果存在一个整数N，使得对于所有的n>N,f(n)总是比g(n)大，那么，我们就说f(n)的增长渐进快于g(n)。
判断一个算法的效率时，函数中的常数和其他次要项常常可以忽略，而更应该关注主项(最高阶项)的阶数。
某个算法，随着n的增大，它会越来越优于另一个算法，或者越来越差于另一个算法。这其实就是事前估算方法的理论依据，通过算法时间复杂度来估算算法时间效率。

算法时间复杂度

1. 定义

   在进行算法分析时，语句总的执行次数T(n)是关于问题规模n的函数，进而分析T(n)随n的变化情况并确定T(n)的数量级。
   算法的时间复杂度，也就是算法的是时间度量，记作：T(n)=O(f(n))。它表示随时间问题规模n的增大算法执行时间的增长率和发(n)的增长率相同，称作算法的渐近时间复杂度，简称为时间复杂度。其中f(n)是问题规模n的某个函数。

   这样用大写O()来体现算法时间复杂度的记法，我们称之为大O记法。
   一般情况下，随着n的增大，T(n)增长最慢的算法为最优算法。

2. 推导大O阶方法
   2.1 用常数1取代运行时间中的所有加法常数
   2.2 在修改后的运行次数函数中，只保留最高阶项
   2.3 如果最高阶项存在且不是1，则去除与这个项相乘的常数。
   得到的结果就是大O阶。
3. 常数阶
   与问题大小(n的多少)无关，执行时间恒定的算法，我们称之为具有o(1)的时间复杂度，又叫常数阶。
   不管这个常数是多少，我们都记作O(1)，而不是O(2)、O(3)等其他任何数字。
   对于分支结构而言，无论真假，执行的次数都是恒定的，不会随着n的变大而发生变化，所以单纯的分支结构(不包含在循环结构中)，其时间复杂度也是O(1)。
4. 线性阶
   分析算法的复杂度，关键就是要分析循环结构的运行情况。
   因为循环体中的代码必须要执行n次，因此循环的时间复杂度为0(n).
5. 对数阶

int count = 1;
while (count < n){
    count = count * 2;
    /* 时间复杂度为O(1)的程序步骤序列*/
}

这段代码，每次count乘以2之后，就距离n更近了。也就是说，有多少2相乘后大于n，则会退出循环。由2^x = n得到x = log2n，所以这个循环的时间复杂度为o(logn).
6. 平方阶
对于循环嵌套的算法来说，由于内循环的时间复杂度是线性阶O(n)，而外层循环不过是内层循环再循环n次，所以嵌套循环的时间复杂度为O(n^2)。如果外循环的循环次数改为了m，时间复杂度就变成了O(m*n)。

常见的时间复杂度

如下图：

最坏情况和平均情况

最坏情况运行时间是一种保证，那就是运行时间不会再坏了。在应用中，这是一种最重要的需求，通常，除非特别指定，我们提到的运行时间都是最坏的运行时间。
平均运行时间也就是从概率的角度看，这个数字在每一个位置的可能性是相同的，所以平均的查找时间为n/2次后发现这个目标元素。平均运行时间是所有情况中最有意义的，因为它是期望的运行时间。
对算法的分析，一种方法是计算所有情况的平均值，这种时间复杂度的计算方法为平均时间复杂度。另一种方法是计算最坏情况下的时间复杂度，这种方法称为最坏时间复杂度。一般在没有特殊说明的情况下，都是指最坏时间复杂度。

算法空间复杂度

有时候，算法可以通过空间来换取时间。
算法的空间负责度通过计算算法的存储空间实现，算法空间复杂度的计算公式记作：S(n) = O(f(n))，其中，n为问题的规模，f(n)为语句关于n所占存储空间的函数。
一个程序在机器上执行时，除了需要存储程序本身的指令、常数、变量和输入数据外，还需要存储对数据操作的存储单元。

通常我们都使用时间复杂度来指运行时间的需求，使用空间复杂度指空间需求。当不用限定词使用复杂度时，通常都是指时间复杂度。