高级算法 应用主项定理Master Method 求时间复杂度 判断有向图是否有环

逻辑结构指的是：数据元素之间的逻辑结构，并非是数据元素的内部数据项之间的关系

如果数据元素保持一致，那么查找时可以使用折半查找是错的：原因是：这跟数据的存储方式有关，如果是链式存储，那么不能采用折半查找，必须是有序的顺序表才可以进行折半查找

int foo( int n){

     if (n <=  1 )

         return 1 ;

     return n * foo(n -  1 );

}

上面的程序的时间复杂度为 O（n）

一目了然看出来   最好和最坏时间复杂度相同的排序算法是不受初始序列影响的

关于折半查找的一些题目：

while(x<=y) {

        m = x + (y-x)/2; //2

        if(data[m] == v) return m; //3

        else if(data[m] > v) y = m-1; //4

        else x = m+1; //5

    }

补充：这里下标是个坑，记住上限有没有包含就可以对付1,4,5处的问题（熟记理解两个版本的代码区别），然后是2，写成x+(y-x)/2是防止xy都很大的情况下x+y越界。这样的话应对二分查找应该够了

一个算法的基本特征：

有穷性   确切性    输入项       输出项     可行性     正确性    健壮性

一个好的算法的基本特征：

健壮性    无二义性    可读性好的

根据分析递归方程分析算法的时间复杂度

T(n) = a * T(n/b) + f(n) 
a ³ 1，b > 1，f(n)一般是个简单函数

两种方法来计算时间复杂度：

第一种就是：

一是用递归树，逐层代入原式，最终形成一个级数，然后用一个函数来表达，得到T(n)。

第二种就是：

应用主项定理：主项定理也就是对递归树方法的一种归纳，形成了固定的计算方式，并分三种情形来计算。

这三种情形主要是比较 n^log_ba 与 f(n)，为什么要比较这两个函数呢？

观察原式，可以看出，n^log_ba其实相当于用递归树方法解出的递归方程的右侧的第一项，
而f(n)则是递归方程的右侧的第二项，这样，主项定理实际上是在比较组成结果的两个函数项，
而且这种比较是按照数量级（或者说是变化幅度）来比较的，也就是说，如2n 与 28n是
数量级（变化幅度）相当的。

这样有三种情况：

1. f(n) < n^log_b^a                

   也就是 f(n) = O(n^log_b^{a - e} ) ，e > 0为任意小的常数
   或者说，f(n) 比 n^log_ba变化的慢，慢n^e 
   那么，T(n) Î Q (n^log_b^a)

2. f(n) > n^log_b^a          

   也就是 f(n) = W(n^log_b^{a +e} ) ，e > 0为任意小的常数
   或者说，f(n) 比 n^log_ba变化的快，快n^e 
   那么， T(n) Î Q(f(n))

   可以简单地说，递归方程的右侧的两项，哪项变化的块，T(n)就属于哪项的数量级

3. f(n) = n^log_b^a

   也就是两项的数量级相当，就给这个数量级乘上一个lg n 
   
   T(n) Î Q(n^log_b^a * lg n)

判断有向图是否有环的方法：

深度优先遍历：如果一个顶点被访问了两次    说明有向图中有环

拓扑排序：用于判断是否有环的方法

常用算法的比较：

排序方法     比较次数       移动次数     稳定性   辅助空间
                   最好    最差    最好  最差                   最好   最差
冒泡排序     n        n^2        0      n^2        是          1          1
快速排序 nlogn    n^2     logn      n          否        logn       n
堆排序     nlogn  nlogn    nlogn  nlogn     否           1         1

对于基本有序的排序算法   冒泡排序算法的时间复杂度最好