数据结构与算法（Python）

向日葵般的数学人～

已于 2024-09-18 23:38:40 修改

阅读量556

点赞数 8

分类专栏： python 文章标签：数据结构

于 2024-09-18 21:06:04 首次发布

本文链接：https://blog.csdn.net/DEVIL_hym/article/details/142333815

版权

python 专栏收录该内容

24 篇文章 0 订阅

订阅专栏

引入

先来看一道题:

如果 a+b+c=1000，且 a^2+b^2=c^2（a,b,c 为自然数），如何求出所有a、b、c可能的组合?

枚举法：

# 如果 a+b+c=1000，且 a^2+b^2=c^2（a,b,c 为自然数），如何求出所有a、b、c可能的组合?
import time

# 枚举法
start_time = time.time()
for a in range(1001):
    for b in range(1001):
        for c in range(1001):
            if a+b+c == 1000 and a**2+b**2 == c**2:
                print(f"a,b,c: {a}, {b}, {c}")
end_time = time.time()
print(f"times: {end_time-start_time}")
print("finished")
# 占位符 %d：print("a,b,c:%d, %d, %d" % (a,b,c))
# %d 是一种格式说明符，表示要插入的值是一个整数（decimal）。在这里，%d 将会被 a、b 和 c 的值替代。
# 这种格式化方式在 Python 3 中仍然有效，但较新的 Python 版本推荐使用 str.format() 方法或 f-string（在 Python 3.6 及以上版本中）来进行字符串格式化，因为它们更灵活、更易读。


# 输出结果
a,b,c: 0, 500, 500
a,b,c: 200, 375, 425
a,b,c: 375, 200, 425
a,b,c: 500, 0, 500
times: 222.66843032836914
finished

算法的提出：

算法是计算机处理信息的本质,因为计算机程序本质上是一个算法来告诉计算机确切的步骤来执行一个指定的任务。一般地,当算法在处理信息时,会从输入设备或数据的存储地址读取数据,把结果写入输出设备或某个存储地址供以后再调用。

算法是独立存在的一种解决问题的方法和思想。对于算法而言,实现的语言并不重要,重要的是思想。算法可以有不同的语言描述实现版本(如C描述、C++描述、Python描述等),我们现在是在用Python语言进行描述实现。

算法的五大特性

1.输入:算法具有0个或多个输入
2.输出:算法至少有1个或多个输出
3.有穷性:算法在有限的步骤之后会自动结束而不会无限循环,并且每一个步骤可以在可接受的时间内完成
4.确定性:算法中的每一步都有确定的含义,不会出现二义性
5.可行性:算法的每一步都是可行的,也就是说每一步都能够执行有限的次数完成

# 改进
start_time = time.time()
for a in range(1001):
    for b in range(1001-a):
        c = 1000-a-b
        if  a**2+b**2 == c**2:
            print(f"a,b,c: {a}, {b}, {c}")
end_time = time.time()
print(f"times: {end_time-start_time}")
print("finished")


a,b,c: 0, 500, 500
a,b,c: 200, 375, 425
a,b,c: 375, 200, 425
a,b,c: 500, 0, 500
times: 0.5711722373962402
finished

算法效率衡量

时间复杂度与“大O记法”

我们假定计算机执行算法每一个基本操作的时间是固定的一个时间单位，那么有多少个基本操作就代表会花费多少时间单位。算然对于不同的机器环境而言，确切的单位时间是不同的，但是对于算法进行多少个基本操作（即花费多少时间单位）在规模数量级上却是相同的，由此可以忽略机器环境的影响而客观的反应算法的时间效率。

对于算法的时间效率，我们可以用“大O记法”来表示。

“大O记法”：对于单调的整数函数f，如果存在一个整数函数g和实常数c>0，使得对于充分大的n总有f(n)<=c*g(n)，就说函数g是f的一个渐近函数（忽略常数），记为f(n)=O(g(n))。也就是说，在趋向无穷的极限意义下，函数f的增长速度受到函数g的约束，亦即函数f与函数g的特征相似。

时间复杂度：假设存在函数g，使得算法A处理规模为n的问题示例所用时间为T(n)=O(g(n))，则称O(g(n))为算法A的渐近时间复杂度，简称时间复杂度，记为T(n)

如何理解“大O记法”

对于算法进行特别具体的细致分析虽然很好，但在实践中的实际价值有限。对于算法的时间性质和空间性质，最重要的是其数量级和趋势，这些是分析算法效率的主要部分。而计量算法基本操作数量的规模函数中那些常量因子可以忽略不计。例如，可以认为3n^2和100n^2属于同一个量级，如果两个算法处理同样规模实例的代价分别为这两个函数，就认为它们的效率“差不多”，都为n^2级。