算法与数据结构（Python实现）1：算法引入

why？

数据结构和算法是什么？答曰：兵法！（内功）

算法是独立存在的一种解决问题的方法和思想。

算法的特征：

• 输入：算法具有0个或多个输入
• 输出：算法至少有1个或多个输出
• 有穷性：算法在有限的步骤之后会自动结束而不会无限循环，且每一个步骤可以在可接受的时间内完成。
• 确定性：算法中的每一步都有确定的含义，不会出现二义性。
• 可行性：算法的每一步都是可行的，也就是说每一步都能够执行有限的次数完成。

示例

1.代码：

# 算法引入

import time

# 问题描述：
"""如果a+b+c=N, 且a^2+b^2=c^2 (a,b,c 为自然数)
   如何求出所有a、b、c可能的组合?"""

# 测试程序运行的时间
def cal_time(func):
    def run(*args, **kwargs):
        start = time.time()
        func(*args, **kwargs)
        end = time.time()
        print("一共花了多少时间：", end-start)
    return run

# 1.枚举法
@cal_time
def enum1(num):
    for a in range(0, num):
        for b in range(0, num):
            for c in range(0, num):
                if a+b+c==num and a**2 + b**2 == c**2:
                    print("a, c, b: %d, %d, %d" %(a, b, c))
    # 时间复杂度：T = 1000 * 1000 * 1000 * 2
    # 如果是2000则，T = 2000 * 2000 * 2000 *2
    # 有 T(n) = (n^3) * 2
    # 故将2看成常数，就有T(n) = (n^3) * k
    #简化为 T(n) = n^3  (可以看出对于同一类问题，T与n的取值有关系，效率随着n的改变而改变。（大O表示法）)


# 2.枚举法：算法改进
@cal_time
def enum2(num):
    for a in range(0, num):   # 执行n次
        for b in range(0, num):   # 执行n次
            c = num - a - b    # 执行1次
            if a**2 + b**2 == c**2:   # 分支结构，可能进入分支执行1次，也可能不进入分支（执行0次），故为max(1, 0)
                print("a, c, b: %d, %d, %d" %(a, b, c))
    # 时间复杂度：
    # T(n) = n * n * (1 + max(1, 0) )      # 循环结构相乘，顺序结构相加，分支结构取最大
    #      = n^2 * 2
    #      = O(n^2)  # 时间复杂度，省略次要项与常数项

    
def main():
    # 取大N为1000
    num = 1000

    # enum1(num)
# 输出结果：
# a, c, b: 0, 500, 500
# a, c, b: 200, 375, 425
# a, c, b: 375, 200, 425
# a, c, b: 500, 0, 500
# 一共花了多少时间： 120.98069882392883

    enum2(num)
# 输出结果：a, c, b: 0, 500, 500
# a, c, b: 200, 375, 425
# a, c, b: 375, 200, 425
# a, c, b: 500, 0, 500
# 一共花了多少时间： 1.2593419551849365

if __name__ == "__main__":
    main()

2.时间复杂度与大O表示法

对于算法的优劣，最直观的就是执行时间。但是这种方法要基于同一个环境下，不同的机器上显然没有可比性。虽然有机器差别，但是对于同样的代码，每台机器执行的基本运算数量大体相同。即：可以把代码执行的基本运算数量记为时间复杂度。

3.最坏时间复杂度

对于同样的算法，处理的数据不同，效率不同，打个比方：对一组数据进行排序，很显然对有序的数据（有序的数据就是它的最理想情况）执行的就是比对无序的（最坏的情况）快。由此引入了以下的概念：

• 算法完成工作最少需要多少基本操作，即最优时间复杂度（即最理想的情况下）
• 算法完成工作最多需要多少基本操作，即最坏时间复杂度
• 算法完成工作平均需要多少基本操作，即平均时间复杂度

主要关注：最坏时间复杂度和最优时间复杂度

时间复杂度的几条基本计算规则：

• 基本操作，即只有常数项，认为其时间复杂度为O(1)
• 顺序结构，时间复杂度按加法进行计算
• 循环结构，时间复杂度按乘法进行计算
• 分支结构，时间复杂度取最大值
• 判断一个算法的效率时，往往只需要关注操作数量的最高次项，其他次要项和常数项可以忽略
• 在没有特殊说明时，我们所分析的算法的时间复杂度都是指最坏时间复杂度

4.常见时间复杂度

常见时间复杂度之间的关系