算法性能评估

       人工智能兴起得时代，什么神经网络、增强学习、深度学习等诸多牛掰的算法让人云里雾里，在学习各种各样应用不同的算法之前，不如缓一缓来了解一下如何来判断一个算法是好是坏。算法好坏直接影响到程序执行的效率，曾经读过一本关于中国象棋算法设计的书籍，该书算法设计的基本思路就是构建博弈树进行深度遍历搜素。理想的状态就是搜索到可以获胜为止，但是象棋局面的复杂度搜索起来足以让你等到胡子花白。所以作者采用了α-β搜索剪枝的办法来提高执行效率，这就使得博弈算法变得比以往要好的多。

       怎么来评估算法的好坏，主要两个方面的判断：时间复杂度&空间复杂度。不整些花里胡哨牛掰哄哄的，直接上套路。

 

时间复杂度【O】的计算：（本质就是数程序运行次数）

1. 用常数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，则改为1。

   这样得到的结果就是大O阶。

 

假设计算机运行一次基础代码需要执行一次运算，那么下面的main函数中运行玩需要执行两次运算。

加上for循环可以看出main函数中两次循环后执行的运算次数为1+2*1+1 = 4次

运算次数的函数f(n) = 4，根据上面时间复杂度的计算规则第一条便知，时间复杂度是O(1)，而不是O(4)。

时间复杂度的分类大致分为常数阶、线性阶、平方阶、立方阶、对数阶等。比如某个函数的运算次数函数为f(n)=32 + 2n + 1，则时间复杂度为O(n3)。如下表：

常见的时间复杂度如下：

执行次数函数举例	阶	非正式术语
12	O(1)	常数阶
2n+3	O(n)	线性阶
3n²+2n+1	O(n²)	平方阶
5log2n+20	O(logn)	对数阶
2n+3nlog2n+19	O(nlogn)	nlogn阶
6n³+2n²+3n+4	O(n³)	立方阶
2n	O(2n)	指数阶

 

时间消耗比较：

  O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) < O(2n) < O(n!) < O(nn)

对于算法的设计，数据量越大，对于时间复杂度的需求便越严格，否则时间的损耗都是不同数量级的差距。

 

空间复杂度【S】的计算：（就是计算算法所需要的存储空间）

        公式：S(n) = O(f(n))，其中，n代表问题的规模，f(n)是语句关于n所占存储空间的函数。

空间复杂度不知道该说些什么好，其实在编写代码的时候，我们要有一种空间使用的概念，而不是说只知道自己在敲代码。尤其涉及到硬件开发，比如STM32，FPGA，嵌入式开发之类，它们不像PC机，由于滥用资源就会导致程序溢出空间不足。

        

        很多时候我们会牺牲空间来换取时间，目的是提高程序的执行效率。假如可以以枚举式

罗列出来的结果，在空间允许的情况下我们就不用其他逻辑关系来计算，而是以查表得方式

直接获得结果。