算法
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。
一、算法的特性
五个基本特性:输入、输出、有穷性、确定性、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,输出的形式可以是打印输出,也可以是返回一个或多个值等。
(2)有穷性
有穷性:指算法在执行有限的步骤后,自动结束而不会出现无线循环,并且每一个步骤在可接受的时间内完成。
(3)确定性
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
可行性:算法的每一步都必须是可行的,每一步都能够通过执行有限次数完成。
二、算法设计的要求
(1)正确性
正确性:算法的正确性是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。
- 算法程序没有语法错误
- 算法程序对于合法的输入数据能够产生满足要求的输出结果
- 算法程序对于非法的输入数据能够得出满足规格说明的结果
- 算法程序对于精心选择的,甚至刁难的测试数据都有满足要求的输出结果
(2)可读性
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
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貌的结果
(4)时间效率高和存储量低
时间效率:指算法的执行时间。
存储量需求:指算法在执行过程中需要的最大存储空间,主要指算法程序运行时所占用的内存或外部硬盘存储空间
三、算法效率的的度量方法
(1)事后统计方法
事后统计方法:这种方法主要时通过设计好多测试程序,利用计算机计时器对不同算法编程的程序的运行时间进行比较,从而确定算法效率的高低。(不推荐)
(2)事前分析估算方法
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进行估算
一个高级程序语言编写的程序在计算机上运行时所消耗的时间取决于下列因素:
- 算法采用的策略、方法(算法好坏的根本)
- 编译产生的代码质量(由软件来支持)
- 问题的输入规模
- 机器执行指令的速度(硬件性能)
抛开计算机硬件、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。
问题的输入规模:输入量的多少
四、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,称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,而更应该关注主项(最高阶项)的阶数
五、算法时间复杂度
事前分析估算方法的理论依据:某个算法,随着n的增大,它会越来越由于另一算法,或者越来越差于另一算法,通过算法时间复杂度来估算算法时间效率
算法时间复杂度: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)的增长率相同,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。
大O记法:用**O()**来体现时间复杂度的记法
最优算法:随n的增大,T(n)的增长最慢
(1)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不是1,则去除与这个项相乘的常数
- 得到的结果就是大O阶
(2)常数项
无论代码执行了多少行,只要是没有循环等复杂结构,那这个代码的时间复杂度就都是O(1)
int i = 1;
int j = 2;
i = i + 1;
int a = i + j;
上述代码在执行的时候,它消耗的时间并不随着某个变量的增长而增长,那么无论这类代码有多长,即使有几万几十万行,都可以用O(1)来表示它的时间复杂度。
(3)线性阶
下面这段代码,它的循环的时间复杂度是O(n),因为循环体中的代码须执行n次
int i;
for(i=0;i<n;i++)
{
//时间复杂度为O(1)的程序步骤序列
}
(4)对数阶
int i = 1;
while(i < n){
i = i * 2;
}
在while循环里面,每次都将 i 乘以 2,乘完之后,i 距离 n 就越来越近了。假设循环x次之后,i 就大于 2 了,此时这个循环就退出了,也就是说 2 的 x 次方等于 n,那么 x = log2n也就是说当循环 log2n 次以后,这个代码就结束了。因此这个代码的时间复杂度为:O(log2n) 。 O(log2n) 的这个2 时间上是根据代码变化的,当 i = i * 3 ,则是 O(log3n) .
(5)平方阶
如果把 O(n) 的代码再嵌套循环一遍,它的时间复杂度就是 O(n²),这段代码其实就是嵌套了2层n循环,它的时间复杂度就是 O(nxn),即 O(n²) 如果将其中一层循环的n改成m,那它的时间复杂度就变成了 O(m*n)
for (x=1; i <=n; x++){
for (i=1; i<=n; i++){
j = i;
j++;
}
}
(6)常见的时间复杂度
执行次数函数 | 阶 | 非正式术语 |
---|---|---|
12 | O(1) | 常数阶 |
2n+3 | O(n) | 线性阶 |
3n*n+2n+1 | O(n的平方) | 平方阶 |
5(log2)n+20 | O(logn) | 对数阶 |
2n+3n(log2)n+19 | O(nlogn) | nlogn阶 |
6n*n *n+2n *n+3n+4 | O(n的3次方) | 立方阶 |
2的n次方 | O(2的n次方) | 指数阶 |
常用时间复杂度所耗费的时间从小到大
O(1)<O(logn)<O(n)<O(nlogn)<O(n的平方)<O(n的三次方)<O(2的n次方)<O(n!)<O(n的n次方)
平均时间复杂度与最坏时间复杂度
六、算法空间复杂度
算法空间复杂度:通过计算算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为问题规模,f(n)为语句关于n所占存储空间的函数