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。
算法的本质:算法是描述解决问题的方法。
算法与数据结构的关系:相互独立,但是两者配合更好
算法的特性:输入输出、有穷性、确定性、可行性。
输入输出:算法具有零个或多个输入,但至少有一个或多个输出。
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,并且每个步骤在可接受的时间内完成。
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。
可行性:算法的每一步都必须是可行的,也就是说,每一步都能通过执行有限次数完成。
算法设计的要求:正确性、可行性、健壮性、时间效率高和存储量低
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、能正确反映问题的需求、能够得到问题的正确答案
可行性:算法设计的另一目的是为了便于阅读、理解和交流
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妙的结果
时间效率高和储量低:设计算法应该尽量满足时间效率高和存储量低的需求
算法效率的度量方法:事后统计方法、事前分析估计方法
事后统计方法:这种方法主要是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。
事前分析估计方法:在计算机程序编制前,依据统计方法对算法进行估算。
一个程序的运行时间,依靠与算法的好坏和问题的输入规模。
问题规模是指输入量的多少
函数的渐进增长: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n>N , f(n) 总是比 g(n) 大,那么,我们说 f(n) 的增长渐近快与 g(n) 。
算法时间复杂度定义:算法的时间复杂符,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,称作算法的渐进时间复杂度,简称为时间复杂度。其中f(n)是问题规模n的某个函数。
算法时间效率度量
(1)可以忽略加法和常数
(2)与最高次项相乘的常数可忽略
(3) 最高次项的指数大的,函数随着 n 的增长,结果也会变得增长得更快
(4)判断一个算法的(时间)效率时,函数中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
推导大O阶方法
- 用常数1取代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
- 如果最高阶存在且不是1,则去除与这个项相乘的常数
常数阶
int sum=0,n=100; //执行一次
sum=(1+n)*n/2; //执行一次
Console.Write("sum",sum)//执行一次
大O阶是O(1)
线性阶
int i;
for(int i=0;i<n;i++)
{
时间复杂度为O(1)的程序步骤序列
}
i<n表示要进行n次循环
大O阶是O(n)
对数阶
int count=1
while(count<n)
{
count=count*2
}
count不断乘以2,便是2的n次方不断解决n
平方阶
int i ,j;
for(int i;i<m,i++)
{
for(int j;j<n;j++)
{
}
}
大O阶是O(n的2次方)
循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数
常见的时间复杂度
算法空间复杂度
定义:通过计算算法所需的存储空间实现(即运行完一个程序所需内存的大小)。
公式:S(n)=O(f(n))
1、常量空间
当算法的存储空间大小固定,和输入规模没有直接的关系时,空间复杂度记作O(1).
2、线性空间
当算法分配的空间是一个线性的集合(如数组),并且集合大小和输入规模n成正比,空间复杂度记作O(n).
3、二维空间
当算法分配的空间是一个二维数组集合,并且集合的长度和宽度都与输入规模n成正比时,空间复杂度记作O(n的平方)
4、递归空间
执行递归操作所需要的内存空间和递归的深度成正比,如果递归的深度是n,那么空间复杂度就是O(n).