2018-3-1 算法学习部分

1：算法的Python实现   数据结构以及算法的基本概念

通过小甲鱼论坛中的数据结构部分进行理解基本的概念的自我理解：

数据结构官方：数据结构是一门研究非数值计算的程序设计问题中的操作对象，以及它们之间的关系和操作等相关问题的学科

小甲鱼论坛：

【新提醒】★第一讲-数据结构和算法绪论★,数据结构与算法,技术交流区,鱼C论坛 - Powered by Discuz!

http://bbs.fishc.com/forum.php?mod=viewthread&tid=95983&ctid=1041

 

结合小甲鱼论坛的自我理解：

首先是一门学科，这门学科的研究内容是关系,就是一大堆数据给出他们之间的潜在规则或联系。总得来说就是一种或多种关系的集合。

数据结构说明元素的关系以及数据，而算法就是将这些数据以及关系的基础之上进行规则操作从而“程序设计”

 

集合结构

线性结构

图形结构类似于一个网络

树形结构：父与子的关系

 

顺序存储：

数据元素存放在连续的地址单元，逻辑上是先来的存储上也是先来的

链式存储：

大家之间有链接，没必要每次连续的排队，就是类似于生活中的社交，我找到村长，村长找到县长，等等（不知道自己这么想对不对，反正和论坛上不一致）

算法：

来源：

【新提醒】★ 第二讲-谈谈算法 ★,数据结构与算法,技术交流区,鱼C论坛 - Powered by Discuz!

http://bbs.fishc.com/forum.php?mod=viewthread&tid=96005&ctid=1041

 

官方定义：（不用太认真）

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。
小甲鱼解释：

算法就是你泡妞儿的技巧和方式。

当你是一个单纯的以为写封情书，并告诉妹子，“我爱你”，就能拿啥的单纯boy，注定单身撸代码。
假如你是像小甲鱼一样，高傲，孤冷，套路很多的老司机，注定彩旗飘飘～

就像没有药可以包治百病一样
一个问题可以由多个算法解决
一个算法也不可能具有通解所有问题的能力

---小甲鱼

自我理解：

做一件事，达到目的的设计出来的一套捷径。毕竟有近路谁都不愿意绕远。那些捷径最终成为了牛逼的算法留在了我们的试卷上。

算法要有输出：不然是干吃（输入）不拉（输出）笑哭

有穷性：算法要有结束，要休息

确定性：不能老是搞暧昧的关系，不清楚具体的真正要什么

可行性：不能运行，不能实施，你还有做吗？

就是一个算法不仅仅只是在运行正确的情况下顺利的进行，还要在出现错误的时候能够自行的修补，给出线索，就相当于自己能了一个调试的应用

 

算法复杂度：

来源：

【新提醒】★ 第三讲-时间复杂度和空间复杂度 ★,数据结构与算法,技术交流区,鱼C论坛 - Powered by Discuz!

http://bbs.fishc.com/forum.php?mod=viewthread&tid=96069&ctid=1041

两大算法度量方法：

 

 

 

效率的度量方法：

主要的操作步骤执行的次数进行比较

以下摘自论坛：

 

 

函数的渐进增长

做一个测试：判断一下四个算法哪个更好？（输入规模都是n）

算法A1：

2n+3

算法A2

2n

算法B1：

3n+1

算法B2：

3n

当n=1时，算法A1效率不如算法B1，当n=2时，两者效率相同；

当n>2时，算法A1就开始优于算法B1了，随着n的继续增加，算法A1比算法B1逐步拉大差距。

所以总体上算法A1比算法B1优秀。

渐进增长定义

渐进增长：
给定两个函数f(n)和g(n)，如果存在一个整数N，使得对于所有的n>N，f(n)总是比g(n)大。

那么，我们说f(n)的增长渐近快于g(n)

从刚才的对比中我们还发现，随着n的增大，后面的+3和+1其实是不影响最终的算法变化曲线的。

例如算法A2，B2，在图中他们压根儿被覆盖了。

所以，我们可以忽略这些加法常数。（维度不一样，攻击效果不一样）

算法时间复杂度2，小甲鱼论坛：【新提醒】★第四讲 时间复杂度和空间复杂度2 ★,数据结构与算法,技术交流区,鱼C论坛 - Poweredby Discuz!

http://bbs.fishc.com/forum.php?mod=viewthread&tid=96149&ctid=1041

官方定义：

在进行算法分析时，语句总的执行次数T(n)是关于问题规模n的函数，进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度，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，称作算法的渐近时间复杂度，简称为时间复杂度。其中f(n)是问题规模n的某个函数。

本质：执行次数==时间

这样用大写O()来体现算法时间复杂度的记法，我们称之为大O记法。

 

分析大O阶

如何分析一个算法的时间复杂度呢？

即如何推导大O阶呢？

◊用常数1取代运行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。
◊如果最高阶项存在且不是1，则去除与这个项相乘的常数。
◊得到的最后结果就是大O阶。

常用的时间复杂度所耗费的时间总结：

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

我们通常说的运行时间都是最坏情况下的运行时间

当直接要让我们求“复杂度”时，通常指的是时间复杂度。

算法的空间复杂度：

1. S(n)=O(f(n))

其中，n为问题的规模，f(n)为语句关于n所占存储空间的函数。

空间复杂度就设计到计算机存储