初次接触数据结构与算法(数据结构与算法专栏)

Moon也爱算法呀

已于 2024-06-16 16:14:53 修改

阅读量584

点赞数 30

分类专栏：数据结构与算法文章标签：算法数据结构

于 2024-06-16 16:10:54 首次发布

本文链接：https://blog.csdn.net/hellmorning/article/details/139721478

版权

数据结构与算法专栏收录该内容

29 篇文章 1 订阅

订阅专栏

算法性能分析

算法是对特定问题求解方法和步骤的一种描述，它是指令的有限序列。其中每个指令表示一个或多个操作。

算法特性：

有穷性：一个算法必须总是在执行有穷步之后结束，且每一步都在有穷时间内完成。
确定性：算法中的每一条指令必须要有确定的含义，没有二义性，在任何条件下，只有唯一的一条执行路径，即对于相同的输入只能得到相同的输出。
可行性：算法是可执行的，算法描述的操作可以通过已经实现的基本操作执行有限次来实现。
输入：一个算法有零个或多个输入。
输出：一个算法有一个或多个输出。

算法设计要求：

正确性
可读性
健壮性
高效性

算法效率：

时间效率：指的是算法所耗费的时间
空间效率：指的是算法执行过程中所耗费的存储空间。
注意：时间效率和空间效率有时候是矛盾的。

时间复杂度的渐进表示法

为了便于比较不同算法的时间效率，我们仅仅比较他们的数量级。

例如：两个不同的算法，时间消耗分别是：T1(n)=10n² 与T2(n)=5n³，显然T1时间效率要比T2的高。所以如果选择会选择T1算法
若有某个辅助函数f(n),使得当n趋近与无穷大时，T(n)/f(n)的极限值为不等于0的常数，则称f(n)是T(n)的同数量级函数。记作：T(n)=O(f(n))，称O(f(n))为算法的渐进时间复杂度(O是数量级符号)，简称时间复杂度。f(n)就是算法中执行次数最多的语句的执行次数，n为问题规模
排序：n为排序数据量，矩阵：n为矩阵的阶数，多项式：n为多项式的项数，集合：n为元素个数，树：n为树的结点个数，图：n为图的顶点数或边数

时间复杂度的计算

基本方法：

找出语句频度最大的那条语句作为基本语句
计算基本语句的频度得到问题规模问题n的某个函数f(n)（级数求和的方式)
取其数量级用符号"O"表示
例题：
```
for(int i=1;i<=n;i++){
    for(int j=1;j<=i;j++){
        for(int k=1;k<=j;k++){   
            x=x+1;
        }
    }
}
```
$语句频度=\sum_{i=1}^{n}{\sum_{j=1}^{i}{\sum_{k=1}^{j}{1}}}$
算法时间复杂度比较：

常数阶O(1)<对数阶O(logn)<线性阶O(n)<线性对数阶O(nlogn)<平方阶O(n²)<k方阶O(n^k)<指数阶O(2ⁿ)<阶乘阶O(n!) k>2
对于复杂的算法，可以将它分为几个容易估算的部分，然后利用大O加法法则和乘法法则，计算算法的时间复杂度
- 加法法则：T(n)=T1(n)+T2(n)=O(f(n))+O(g(n))=O(max(f(n),g(n)))
- 乘法法则：T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n))

例题：若f(n)=a_mn^m+a_m-1n^m-1+…+a₁n+a₀是m次多项式，忽略所有低次幂项和最高次幂项的系数，体现出增长率的含义，则T(n)=O(n^m).

递归算法时间复杂度计算：

递归算法时间复杂度等于每次递归的时间复杂度*递归总次数(递归树的总节点数)

空间复杂度的渐进表示法

空间复杂度：算法所需存储空间的度量，记作：S(n)=O(f(n)),其中n为问题的规模(或大小)
算法要占据的空间
- 算法本身要占据的空间，输入/输出，指令，常数，变量等
- 算法要使用的辅助空间(临时存储空间)

例题:

【算法1】
for(i=0;i<n/2;i++){
    t=a[i];
    a[i]=a[n-i-1];
    a[n-i-1]=t;
}
S(n)=O(1),就一个t是临时存储空间变量
    
【算法2】
for(i=0;i<n;i++){
    b[i]=a[n-i-1];
}
for(i=0;i<n;i++){
    a[i]=b[i];
}
S(n)=O(n),因为a数组有多少元素，则临时存储空间b数组也需要多少元素，则空间复杂度应该就与n有关