【大话数据结构-算法②】

一、开场白

数据结构并不难，但在数据结构添加了算法后，难度有所增加。

二、数据结构与算法关系

数据结构和算法是类似的关系，把几个重要的数据结构学完，或许你会觉得就这？再当你深入学习算法后，你会感叹计算机的前辈们，把复杂的问题变得如此美妙和神奇！

三、两种算法的比较

求解1+2+3+…+100的结果？

第一种算法：

int i , sum = 0, n = 100;
for(i = 1 ; i <= n; i++)
{
   sum = sum + i;
}
printf("  %d",sum);

第二种算法：

int sum = 0，n = 100;
sum = (1 + n) * n /2;
printf("%d",sum);

两种算法的比较：
①逻辑简单，容易理解，但重复步骤多，耗时长，效率低；
②使用等差数列求和算法，一步就能得出求和结果，算法优；

简单说算法就是解决问题的方法步骤或者公式😀

四、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。
它可以是计算机指令，也可以是我们平时的语言文字。

五、算法的特性

五个基本特性：输入、输出、有穷性、确定性和可行性

1. 输入输出---- 算法具有零个或多个输入，至少有一个或多个输出。
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。
3. 确定性---- 算法的每一步骤都具有确定的含义，不会出现二义性。
4. 可行性---- 算法的每一步都必须是可行的，也就是说，每一步都能够通过执行有限次数完成。

六、算法设计的要求

好的算法应具有正确性、可读性、健壮性、高效率和低存储量的5大特性。

1. 正确性---- 算法的正确性是指算法至少具有输入、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。
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。
3. 健壮性---- 当输入数据不合法时，算法也能够做出相关处理，而不是产生异常或莫名其妙的结果。
4. 可行性---- 设计算法应该尽量满足时间效率高和存储量低的需求。

七、算法效率的度量方法

算法有的效率高，有的效率低，我们该如何去判断算法的优与差呢？

1. 事后统计方法：这种方法主要是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。（不建议使用）
2. 事情分析估算方法：在计算机程序编制前，依据统计方法对算法进行评估。

第一种算法：

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 */
}
printf("  %d",sum);		/* 执行1次 */

第二种算法：

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

第一种算法执行了1+（n+1）+ n + 1 = 2n+3次，而第二个算法只执行了3次，并且随着n的增大，第一种算法的开销也随着增大，算法好坏显而易见。

八、函数的渐近增长

函数的渐近增长：给定两个函数 f(n)和 g(n) ,如果存在一个整数 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) 的增长渐近快于g(n)。

• 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，而更关注主项（最高阶项）的阶数。
• 某个算法，随着n的增大，它会越来越优于另一算法，或者越来越差于另一算法。

九、算法时间复杂度

1、定义

在进行算法分析时，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的变化情况并确定T(n)的数量级。算法的时间复杂度，也就是算法的时间量度，记作：T(n) = O(f(n))。它表示随问题规模n的增大，算法执行时间的增长率和f(n)增长率相同，称作算法的渐近时间复杂度，简称为时间复杂度。其中f(n)是问题规模n的某个函数。

2、推导大O阶方法

3、常数阶

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

以上算法的时间复杂度为O[1],也称常数阶。

4、线性阶

分析线性阶的算法时间复杂度时，关键要分析循环结构的运行情况。

int i;
for(i=0;i<n;i++)
{
  /* 时间复杂度为 O(1) 的程序步骤序列 */
}

5、对数阶

int count = 1;
while(count < n)
{
  count = count * 2;
  /* 时间复杂度为 O(1) 的程序步骤序列 */
}

以上算法的时间复杂度为O[logn],也称对数阶。

6、平方阶

int i,j;
for(i=0;i<n;i++)
{
  for(j=0;j<n;j++)
  {
	/* 时间复杂度为 O(1) 的程序步骤序列 */
  }
}

以上算法的时间复杂度为O[n²],也称平方阶。

十、常见的时间复杂度

常见的时间复杂度所耗费的时间从小到大依次为：

十一、最坏情况与平均情况

• 最坏情况运行时间是一种保证，那就是运行时间将不会再坏了。在应用中，这是一种最重要的需求，通常，除非特别指定，我们提到的运行时间都是最坏情况的运行时间。
• 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。

十二、算法空间复杂度

算法的空间复杂度通过计算书法所需的存储空间实现，算法空间复杂度的计算公式记作：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。
计算算法的复杂度时，通常是时间复杂度。

十三、总结回顾

本章主要说了数据结构和算法是相互依赖不可分割的。

从算法的定义–→算法的特性–→算法的设计要求–→算法的度量方法–→时间复杂度大O阶推导–→空间复杂度

对算法的基本概念有了充分的认识，为下面数据结构与算法的深入学习打下坚实的基础！