二、算法概述

一、概念

算法是对特定问题求解步骤的一种描述；对于一个问题，我们可以使用不同的求解步骤，但是并不是所有的求解步骤都是最好的，我们需要为我们的求解步骤寻找一种最有的解法（不仅仅是通过代码的数量来判断，而是通过运算步骤来进行判定）

二、特性

输入：可以理解为函数的输入参数，可以没有参数，也可以存在有多个参数

输出：至少存在一个输出，否则这个算法是没有意义的

有穷性：运算的步骤（计算机的指令）需要是有限次的，无法停止运行是没有意义的

确定性：算法的每个步骤计算是有明确的意义的，在给定的条件下，输出的结果也是相同的

可行性：算法的每个步骤都是可行可效的（每个步骤都是可以通过有限步骤实现的）

三、算法的衡量

我们对于一个算法的衡量(度量)是有标准的；存在两个维度的判断：时间复杂度和空间复杂度

上面说到的衡量算法的方法都是基于一定规模来看的，往往忽略其处理小规模问题的差异，而是关注在更大规模问题时的表现，即更注重随着规模的增大，其效率的总体变化趋势

四、时间复杂度

随着问题规模n的增长，算法执行时间的增长率和f(n)的增长率相同，称为算法的渐进时间复杂度，简称为时间复杂度

对于上面这句话可以这样理解：假定计算机计算的每个步骤的时间单位是一个固定的，而完成一个算法的执行步骤的多少可以直接等价衡量时间复杂度

为了表示复杂度，可以使用O()，一般称为大O表示法

例：现在我们有一个队列（有n个元素），中间的每个元素都是不一样的，此时需要从中找到一个元素，最好的结果就是第一个元素就是我们所需要的，此时的时间复杂度就是O(1)；当然也是存在有最坏的结果，那就是直到找到最后一个元素才找到我们所需要的元素，此时的时间复杂度就是O(n)

通过上面这个简单的例子，可以发现两个影响时间复杂度的因素：

1、问题的规模，规模越大，算法的基本步骤也就越多

2、数据的初始状态，如果一个待处理的数据初始状态就与求解结果相匹配，此时的时间复杂度就是O(1)（上面的例子中，要找的数据就在第一个位置）

**重点**：对于一个算法的时间复杂度的衡量一般存在两种方法：

1、计算所有情况的平均值，例如上面例子的平均时间复杂度n/2 

2、计算最坏情况下的复杂度（通常都会使用最坏的复杂度）

五、空间复杂度

对于一个问题，我们不仅仅可以通过计算将问题的结果获取到，还可以通过消耗空间存储的能力，将问题的规模变小，这样就能够换取时间上的便利

对于一个问题，我们可以通过算法不断计算得到一个结果；同时还可以将问题与结果直接映射（键值对）进行存储，这样在获取结果的时候，时间复杂度就为O(1)，但是这无疑增加了内存消耗

空间复杂度有以下集中情形：

1、常量空间：O(1)，存储的空间是固定的，和输入的规模没有关系

2、线性空间：O(n)，存储空间是一个线性集合，这个集合的大小和输入规模是正相关的

3、二维空间：O(n^2)，分配的空间是一个二维，这个集合的长度和宽度是规模是正相关的

4、递归空间：O(n)，在运行递归代码时，每递归一次，就会专门分配一块栈空间，递归的次数越多，需要的栈空间也就越多，当达到条件时，开始出栈；所需要的内存空间和递归的深度正相关，纯粹的递归操作空间复杂度是线性的，所以这里的空间复杂度是O(n)

六、小结

通常情况下，我们所说的算法的复杂度指的是时间复杂度（内存越来越大，可以空间换时间）