3 搜索|排序&复杂度分析（1）

算法是计算机程序的一个基本的构建模块，描述了最终能够解决一个问题的计算过程。

算法评价：正确性；可读性；易维护性

评估算法的性能

度量算法的运行时间

A 使用计算机的时钟获取一个实际的运行时间（基准评价/探查）：

1 确定几个具有相同大小的不同数据集合的时间

2 针对越来越大的数据集合，收集相似的数据

 大小和对应的时间对应的翻倍

嵌套循环后，size翻倍后，time也翻倍

问题：

1 不同硬件平台的处理速度不同

2 对于很大的数据集合而言，确定某些算法的运行时间是不切实际的

B 统计指令

用于估算算法性能：统计对不同问题规模所要执行的指令的数目

• 统计指令时，所统计的是用于编写算法的教高级代码中的指令数目，而不是执行机器语言的程序中的指令书目
• 需要区分：无论问题规模大小都执行相同次数的指令（影响不显著）；根据问题规模执行不同次数的指令（循环和递归等函数）

在循环中还要注意在任何的嵌套循环中都执行的指令（只要记住一个嵌套循环所执行的迭代次数即可）

迭代的次数是问题规模的平方

问题：

1 规模非常大时，计算机无法足够快

2 需要求助于逻辑和数学推理，才有完整的分析方法

度量算法所使用的内存

随问题规模而潜在的使用内存的增长率

复杂度分析

摆脱依赖平台的时间统计和不切实际的指令数

1 复杂度的阶

对任何问题规模都需要相同的操作次数	常数阶	列表索引
工作量和log2[问题规模]成比例	对数阶
工作量增加和问题规模成比例	线性阶	O(n)
工作量按照n^k的速率增加	多项式阶
	指数阶	2^n

大O表示法:一个算法的总工作量通常是多项式的数项之和，有一个是主项（渐近分析）

常量比例的作用：在大O分析中通常被忽略的项和系数可能在这些项很大的时候影响算法（较小的数据集合）

仔细识别没有隐藏在循环中却依赖于可变问题规模的任何指令

---

搜索算法

搜索最小值 O(n)

 顺序搜索一个列表O(n)

最好1，最坏O(n)，平均每一个可能位置找到目标所需要的迭代次数相加，总和/n   (n+1)/2，即O(n)

 

最好情况、最坏情况和平均情况的性能

部分算法的性能取决于所处理的数据的放置方式

有序列表的二叉搜索O(log2n)

 

仅有一个循环，无嵌套/隐藏的循环

最坏的情况：目标不在列表中，进行n/2/2…=1所进行的除法的次数 也即2^k = n，则k=log2n

比较数据项

二叉搜索和搜索最小项，都假设列表中的项是可以相互比较的（相同类型，且都识别比较运算符）

若需 允许算法对 一个新对象的类 使用 比较运算符，应在这一类中添加方法。

 

 

 现在就可以将账户放置在列表中并按照名称对其排序了