算法分析初步-最大连续和问题（一）

编程者都希望自己的算法高效，但算法在写成程序之前是运行不了的，难道每设计出一个算法都必须写出程序才能知道快不快吗?答案是否定的。本节介绍算法分析的基本概念和方法，力求在编程之前尽量准确地估计程序的时空开销，并作出决策-例如，如果算法又复杂速度又慢，就不要急着写出来了。

给出一个长度为n的序列A1,A2,...,An,求最大连续和，换句话说，要求找找到1 <= i <= j <= n，使得Ai + Ai+1 + ... + Aj尽量大。

输入：序列的大小n，序列的各个元素Ai。

输出：最大的连续和。

运行结果：

我们最容易想到的方法就是枚举了。

int maxsum1(int *A)
{
    //O(n^3)
    int i,j,k,sum,best;
    int tot = 0;
    best=A[1];
    for(i=1;i<=n;i++)
        for(j=i;j<=n;j++)       //检查连续子序列A[i],...A[j]
        {
            sum=0;
            for(k=i;k<=j;k++)
            {
                sum+=A[k];
                tot++;
            }
            best=max(best,sum); //更新最大值
        }
    return best;
}

注意best的初值是A[1]，这是最保险的做法-不要写best=0（也许序列中全为负数）。当n=1000时，输出tot=167167000，这时加法运算的次数当n=50时，输出22100.

为什么要计算tot呢？因为它与机器的运行速度无关。不同机器的速度不一样，运行时间也会有所差异，但tot一定相同，换句话说，它去了机器相关的因素，只衡量算法的工作量大小-具体来说，是加法操作的次数。

在本题中，将加法操作作为基本操作，类似地也可以把其他四则运算、比较运算作为基本操作，一般并不会严格定义基本操作的类型，而是根据不同情况灵活处理。

刚才是实验得出tot值的，起始它也可以用数学方法直接推导出，设输入规模为n时加法操作的次数为T(n),则：

 

上面的公式是关于n的三次多项式，意味着当n很大时，平方项和一次项对整个多项式值的影响不大。可以用一个记号来表示：，或者说T(n)与同阶。同阶是什么意思呢？简单的说，就是增长情况相同，前面说过，n很大时，只有立方项起到决定作用，而立方项的系数对增长是不起作用的-n扩大两倍时，n^3和100n^3都扩大8倍，这样一来，可以只保留最大项，并忽略其系数，得到的简单式子称为算法的渐进时间复杂度。

读者可以做个实验，看看n扩大两倍时运行时间是否近似扩大8倍，注意这里的8倍是近似的，因为在T(n)的表达式中，二次项、一次项和常数项都被忽略掉了；程序中的其他运算，如if（sum > best)中的比较运算，甚至改变循环变量所需的自增都没有考虑在内。

尽管如此，算法分析的效果还是比较精确的，因为抓住了主要矛盾-执行得最多的运算是加法。

对于上面的方法，读者可能会有疑问：难道每次都要做一番复杂的数学推导才能得到渐进时间复杂度么?当然不必。

下面是另一种推导方法：算法包含3重循环，内层最坏情况下需要循环n次，中层循环最坏情况下也需要n次，外层循环最坏情况下仍然需要n次，因此总运算次数不超过.这里采用了上界分析，假定所有最坏情况同时取到，尽管这时不可能的。不难预料，这样的分析和实际情况肯定会有一定偏差-在T(n）的表达式中，n^3的系数是1/6，小于n^3，但数量级是正确的-仍然可以得到 n扩大两倍时，运行时间近似扩大8倍的结论，上界也有记号： 。

松的上界也是正确的上界，但可能让人过高估计程序运行的实际时间（从而不敢编写程序），而即使上界是紧的，过大（如100）或过小（如1/100）的最高项系数同样可能引起错误的估计，换句话说，算法分析不是万能，要谨慎对待分析结果。如果预感到上界不紧，系数过大或者过小，最好还是要编程实践。

下面试着优化一下这个算法，设Si = A1 + A2 + .. +Ai,则，Ai + Ai+1 + .... Aj = Sj - Si-1.该式子的用途相当广泛，其直观含义是“连续子序列之和等于两个前缀和只差”。有了这个结论，最内层的循环就可以省略了。

int maxsum2(int *A)
{
   //优化 连续子序列之和等于前缀和之差
   //O(n^2)
   int i,j,best,S[maxn];
   best=A[1];
   S[0]=0;
   for(i=1;i<=n;i++)
      S[i]=S[i-1]+A[i]; //递推前缀和S
   for(i=1;i<=n;i++)
      for(j=i;j<=n;j++)
         best=max(best,S[j]-S[i-1]); //更新最大值
   return best;
}

注意上面的程序用到了递推的思想：从小到大依次计算S[1],S[2],S[3],....每个只需要在前一个基础上加上一个元素，换句话说，计算S这个步骤的时间复杂度为O（n）。接下来是一个二重循环，用类似的方法可以分析出：

代入可得T(1000)=500500，和运行结果一致。同样的，用上界分析可以更快的得到结论：内层循环最坏情况下要执行n次，外层也是，因此时间复杂度为.