算法效率的度量方法

算法效率前沿：

事前分析估算方法：在计算机程序编写前，依据统计方法对算法进行估算。

程序运行是所消耗的时间却决于：

1.算法采用的策略和方案

2.编译产生的代码的质量

3.问题的输入规模

4.机器执行指令的速度

所以程序运行的速度快慢除了依靠硬件和软件之外，就是算法的质量和输入的规模

引入时间复杂度

1.第一种：

            int i, sum = 0, n = 100; //执行1次
            for (i = 1;i <= n;i++)//执行n+1次
            {
                sum = sum + i;//执行n次
            }

执行次数为：2n+2

2.第二种：

int sum = 0, n = 100; //执行1次
sum = (1 + n) * n / 2;//执行1次

执行次数为：2

如果我们把循环看作一个整体，忽略头尾判断的开销，那么这两个算法其实就是n和1的差距。即第一种的时间复杂度是n，第二种的时间复杂度是1。

研究算法的复杂度，侧重的是研究算法随着输入规模扩大增长量的一个抽象，而不是精确的定位需要执行多少次。

这样，不计那些循环索引的递增和循环终止条件，变量声明，打印结果等操作。最终，在分析程序的运行时间时，最重要的是把程序堪称是独立于程序设计语言的算法或一系列步骤。

Test1：2n+3次执行次数 VS 3n+1次执行次数

随着n的增长，后面的+3和+1其实是不影响最终的算法变化曲线，所以我们可以忽略这些加法常数。

Test2：4n+8次执行次数 VS 2n²+1次执行次数

随着n的增长，哪怕去掉与n相乘的常数，两者的结果还是没有改变，算法4n+8的次数随着n的增长，还是远小于算法2n²+1

Test3：2n²+3n+1 VS 2n³+3n+1

随着n的增长，最高次项的指数大的，函数随着n的增长，结果也会变得增长特别快

Test4：2n²+3n+1 VS 2n²

随着n的增长，最后求得的值就会非常的近似，所以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（最高项）的阶数。