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。
算法的特性
- 输入输出 : 算法具有0个或者多个输入 , 至少有一个输出
- 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。
- 确定性 : 算法的每一个步骤都具有确定的含义,不会出现二义性。
- 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。
算法设计的要求
- 正确性 : 算法的正确性是指算法至少应该有输入、输出和加工处理无歧义性、能正确反应问题的需求、能够得到问题的正确答案。
- 可读性 : 便于阅读和理解
- 健壮性 : 当输入的数据不合法时,算法也能做出相关处理,而不是产生异常或莫名的错误
- 时间效率高和存储量低
- 时间效率指的是算法的执行时间
- 存储量需求指的是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
算法的度量方法
- 事后统计方法 : 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。但由于计算机运行速度和硬件和软件等外在因素有很大的关系,所以这种方法不准确。
- 事前分析估算法 : 在计算机程序编制前,根据统计方法对算法进行估算(时间复杂度)
算法时间复杂度
-
计算时间复杂度方法(推导大O阶法) :
- 用常数 1 取代运行时间中的所有加法常数
- 再修改后的运行次数函数中,只保留最高阶项
- 如果最高阶项存在并不是 1 ,则去掉与这个项相乘的常数。
-
举例说明
- 常数阶: 时间复杂度O(1)
int sum = 0 , n = 100; //执行一次
sum = (1 + n) * n / 2; //执行一次
printf("%d" , sum) //执行一次
- 线性阶 : 时间复杂度O(n)
var sum = 0;
for(var i = 0 ; i < n ; i ++){
sum += i;
}
- 对数阶 : 时间复杂度O( logn)
var count = 0;
while( count < n){
count *= 2;
}
- 平方阶 : 时间复杂度O( n ^ 2 )
var count = 0
for(var i = 0 ; i < n ; i ++){
for( var j = 0 ; j < n ; j ++){
count ++;
}
}
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^2 + 2n + 1 | O(n^2 ) | 平方阶 |
5log2(n) + 20 | O( logn) | 对数阶 |
递归函数 | O( logn) | 对数阶 |
2n + 3nlog2(n) + 19 | O( nlogn ) | nlogn阶 |
6n^3 + 2n^2 + 3n +4 | O(n^3 ) | 立方阶 |
2^n | O( 2^n ) | 指数阶 |
- 常用的时间复杂度所耗费的时间从小到大为:
O( 1 ) < O( logn ) < O( n ) < O( nlogn ) < O( n ^ 2 ) < O( n^3 ) < O( 2^n ) < O( n! ) < O( n^n )