第2章--算法，其实有趣又有用

从定义说起

算法，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。

基本特性

输入输出：0或多个输入，1或多个输出
有穷：执行有限步骤后，自动结束而不会出现无限循环
确定：每一步骤都具有确定含义，不存在二义性
可行：每一步都在有限次数内完成

基本特性定义了一个算法的雏形，但一个“好”算法还需要具备更多的特性。就像房子建好后，要变成一个舒服的居住环境，还需要做更多的装修与装饰工作，也就是所谓的“设计”。

算法设计的要求

正确性——输入、输出、加工处理无歧义性，能正常反映问题的需求、能得到问题的正确答案。

分为四个层次：
1.语法无错
2.对合法输入能产生满足要求的输出结果
3.对非法输入能得出满足规格说明的结果
4.对精心选择的、甚至故意刁难的测试数据，都有满足要求的输出结果

一般情况下，把 层次3 作为一个算法是否正确的标准。

可读性——便于阅读、理解和交流、维护

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奇妙的结果。

时间效率高和存储量低

算法效率度量方法

事后统计——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
不科学、不准确，存在较大缺陷，实际中不使用。

事前分析估算——在程序编制前，依据统计方法对算法进行估算

根据经验，程序运行时间取决于下列因素：
1.算法采用的策略、方法 决定算法好坏的根本
2.编译产生的代码质量 主要由软件来支持
3.问题的输入规模 实际问题决定
4.机器执行指令的速度 取决于硬件性能

以上分析可以看出，
一个程序的运行时间，依赖于算法的好坏和问题的输入规模。

算法时间复杂度

大o记法：
O[1]常数阶 < O[n]线数阶 < O[n2]平方阶 < O[nlogn]对数阶

$$O(1) < O(logn) < O(n) < O(nlogn)<O(n^{2}) < O(n^{3}) < O(2^{n}) < O(n!) < O(n^{n})$$

推导大O阶：
1.常数1取代运行时间中的所有加法常数
2.在修改后的运行次数函数中，只保留最高阶项
3.如果最高阶项存在且不是1，则去除与这个项相乘的常数

比如，$f(n)=3n^{2}+2n+1$
最终可以记为 $O(n^{2})$

理解大O推导不难，难的是分析数列的一些运算，更多的是考察你的数学知识和能力

强调算法的重要性

一台老式CPU的计算机运行 $O(n)$ 的程序和一台速度提高100倍的新式CPU运行 $O(n^{2})$ 的程序。最终效率高的胜利方式却是老式CPU的计算机，原因在于算法的优劣直接决定了程序运行的效率。

作者的话：
利用算法分析工具，改进自己的代码，让计算机轻松一点，这样你就更加胜人一筹