算法: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。
2.1 2.3 略
2.2 数据结构与算法的关系
可以认为算法是服务于数据结构的。
2.4 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。
- 定义中提到了指令,指令能被人或机器等计算装置执行。它可以是计算机指令,也可以是我们平时的语言文字。
- 为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。
2.5 算法的特性
输入 输出 有穷性 确定性 可行性
2.5.1 输入输出
算法具有零个或多个输入,至少一个或多个输出。
2.5.2 有穷性
指算法在执行有限的步骤之后,自动结束而不会出现无限循环,并且每一个步骤在可接受的时间内完成。(有穷并不是纯数学意义,而是实际应用中合理、可以接受的“有边界”。)
2.5.3 确定性
指算法每一步骤都具有确定含义,不会出现二义性。(算法在一定条件下,只有一条执行路径,相同输入只能由唯一的输出结果。)
2.5.4 可行性
指算法的每一步都必须是可行的,也就是说,每一步都可以通过执行有限次数完成。
2.6 算法设计的要求
正确性 可读性 健壮性 时间效率高和存储量低
2.6.1 正确性
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”的正确大体分为以下四个层次:
- (算法程序)没有语法错误
- 对于合法的输入数据能够产生满足要求的输出结果
- 对于非法的输入数据能够得出满足规格说明的结果
- 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是用数学方法证明的)
2.6.2 可读性
算法设计的另一目的是为了便于阅读、理解和交流。
2.6.3 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。
2.6.4 时间效率高和存储量低
2.7 算法效率的度量方法
2.7.1 事后统计方法(有很大缺陷)
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。
2.7.2 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估算。
抛开与计算机硬件、软件有关的因素,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。
测定运行时间最可靠的方法就是计算对运行时间有消耗的基本操作的执行次数,运行时间与这个计数成正比。最终在分析程序的运行时间时,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。
2.8 函数的渐近增长
给定两个函数f(n)和g(n),如果存在一个正整数N,使得对于所有的n>N,f(n)总是比g(n)大,那么我们说f(n)的渐近增长快于g(n)。
- 判断一个算法效率时,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。
2.9 算法时间复杂度 O()
2.9.1 算法时间复杂度定义
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的变化情况确定T(n)的数量级。算法的时间复杂度,也就是算法的时间度量,记作T(n)=O(f(n))。
(一般情况下,随着n的增长,T(n)增长最慢的算法为最优算法。)
2.9.2 推导大O阶方法
- 用常数1取代运行时间中的所有加法常数。
- 在修改后的运行次数函数中,只保留最高阶项。
- 如果最高阶项存在且其系数不是1,则去除与这个项相乘的系数。
2.10 常见的时间复杂度
2. 11 最坏情况与平均情况
最坏情况运行时间是一种保证,那就是运行时间不会再糟糕了。
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。
一般在没有特殊说明的情况下,都是指最坏时间复杂度。
2.12 算法空间复杂度
算法空间复杂度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。
(①若输入数据所占空间只取决于问题本身,和算法无关,只需分析该算法在实现时所需的辅助单元即可。
②若算法执行时所需的辅助空间相对于输入数据量而言是个常数,则称此算法为原地工作,空间复杂度为O(1)。)
3.11 发现这样学习效率有点低,准备视频+书籍,按周更新(我可以!)
文中图片、文字、代码部分摘自——《大话数据结构》(程杰 著)