人工智能3.1 -- python算法篇（一）引言和常识

python，大数据，机器学习，深度学习，计算机视觉

三、python算法篇（一）引言和常识

引例

如果a+b+c = 1000， 且a^2 + b^2 = c^2(a,b,c为自然数)，求a、b、c所有可能的集合。

思路：枚举法

import time

start_time = time = time.time()
for a in range(0, 1001):
	for b in range(0, 1001):
		c = 1000-a-b
		if a**2+b**2 == c**2:
			print("a, b, c:%d, %d, %d" % (a, b, c))
end_time = time.time()
print("times:%d" % (end_time - start_time))
print("finished")

时间复杂度怎么来的

一段程序代码的好坏，算法是否高效，怎么判断？
猜想：利用程序执行间反应算法效率。但这个真的准确吗？
试想，假设有一高效代码和一低效代码，但我们这段高效代码的执行的硬件环境是一古董级别的电脑（卡的不要不要的）

每台机器执行的总时间不同，但是执行基本运算数量相同。执行的基本数量总和就叫时间复杂度。

时间复杂度：
广义上理解：花费的时间
狭义上理解：运算的步骤数量
时间复杂度全称叫渐进时间复杂度
T(n) = k g(n) + b
= O(g(n))
上面g(n)被称为T(n)的渐进函数，把T(n)相关系数全忽略掉，实际中不关心这系数，留下g(n)即可！
注：这里n是什么呢？
上面上面例子中，a+b+c = 1000，若a+b+c = 2000, a+b+c = 3000…，也就是a+b+c = n这一类问题，其时间负责度可以用T(n)表示，n表示程度，规模，不管是几都是相同类型问题都可以用T(n) = O(…)表示。


下图结论非常重要

记忆方法：

由图看出 O(1) < O(logn) < O(n)，
下面为了直观简单表示，不写O()，（实际中不可以这么写）
即：当n趋于正无穷大时，有下面成立：
1 < logn < n   , n->正无穷大 （如图，不证明）
n < nlogn< n^2  , n->正无穷大 （上式两边同时乘以n）
n^2 < n^3  , n->正无穷大
n^3 < 2^n , n->正无穷大  （注：3个n相乘，比不上大量的2相乘厉害，如n = 100, 100*100*100 < 2 ^100，指数幂增长最厉害，如围棋落子共有 3 ^361种情况，这超过宇宙原子数）
2^n < n! , n->正无穷大
	证明：n!除去一个2,  2^n也除去一个2，再比较看看，也就是
			   n! = n*(n-1)*(n-2)...4*3*2*1 = [n*(n-1)*(n-2)...4*3*1]*2
	         2^n = [2^(n-1)]*2
	         显然n*(n-1)*(n-2)...4*3*1 > 2^(n-1) , n趋于无穷大
	         举例，n=100，2^100与100!比较
	         100! = 100*99*98...4*3*2*1=(100*99*98...4*3*1)*2，括号里为99项
	         2^100 = (2*2*2...2)*2, 括号里为99个2
	        99个2相乘显示是小于 (100*99*98...4*3*1)的
	        所以2^100 < 100! 
n! < n^n , n->正无穷大    （注：显然n*(n-1)...3*2*1 < n*n...n*n*n）
综上：
1 < logn < n < nlogn < n^2 < n ^3 < 2 ^n < n! < n ^n   , 当n趋于正无穷大时
所以 O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n ^3) < O(2 ^n) < O(n!) < O(n ^n)