算法和算法分析

目录

注：部分素材来源于我的大学老师

1.算法定义

2.算法的描述

3.算法的特性 

4.算法的评价

5.算法的效率的度量

（1）事后统计

（2）事前分析估计

6.时间复杂度的渐进表示法

语句的频度（Frequency Count )

时间复杂度T(n)按数量级递增顺序为：

​各种数量级的时间复杂度：

常用时间复杂度频率表：

 渐进空间复杂度

---

注：部分素材来源于我的大学老师

1.算法定义

一个有穷的指令集，这些指令为解决某一特定任务规定了一个运算序列

2.算法的描述

自然语言  流程图  程序设计语言  伪码

3.算法的特性 

1.输入     有0个或多个输入  

2.输出     有一个或多个输出(处理结果)  

3.确定性  每步定义都是确切、无歧义的  

4.有穷性  算法应在执行有穷步后结束  

5.有效性  每一条运算应足够基本

4.算法的评价

1.正确性

2.可读性

3.健壮性

4.高效性（时间代价和空间代价）

5.算法的效率的度量

1.算法效率：用依据该算法编制的程序在计算机上执行所消耗的时间来度量

2.衡量算法效率的方法：事后统计 事前分析估计    

（1）事后统计

利用计算机内的计时功能，不同算法的程序可以用一组或多组相同的统计数据区分  

缺点：

>>必须先运行依据算法编制的程序

>>所得时间统计量依赖于硬件、软件等环境因素，掩盖算法本身的优劣  

（2）事前分析估计

 一个高级语言程序在计算机上运行所消耗的时间取决于：    

>> 依据的算法选用何种策略      

>> 问题的规模      

>> 程序语言      

>> 编译程序产生机器代码质量      

>> 机器执行指令速度           

同一个算法用不同的语言、不同的编译程序、在不同的计算机上运行，效率均不同，———使用绝对时间单位衡量算法效率不合适

6.时间复杂度的渐进表示法

1.算法中基本语句重复执行的次数是问题规模n的某个函数f(n),算法的时间量度记作： T(n)=O(f(n))  

>>算法中重复执行次数和算法的执行时间成正比的语句 对算法运行时间的贡献最大

>>n越大算法的执行时间越长

     排序：n为记录数

     矩阵：n为矩阵的阶数

     多项式：n为多项式的项数

     集合：n为元素个数

     树：n为树的结点个数

     图：n为图的顶点数或边数

2.数学符号“O”的定义为：

    若T(n)和f(n)是定义在正整数集合上的两个函数，则T(n) = O(f(n))表示存在正的常数C和n0，使得当n≥n0时都满足0≤T(n)≤Cf(n)。

表示随着n的增大，算法执行的时间的增长率和f(n)的增长率相同，称渐近时间复杂度。

语句的频度（Frequency Count )

重复执行的次数：n*n; T( n ) = O ( n ^2) 即：矩阵加法的运算量和问题的规模n的平方是同一个量级

n * n阶矩阵加法： 
for( i = 0; i < n; i++)     
    for( j = 0; j < n; j++)
         c[i][j] = a[i][j] + b[i][j];

分析算法时间复杂度的基本方法：

>>找出语句频度最大的那条语句作为基本语句

>>计算基本语句的频度得到问题规模n的某个函数f(n)

>>取其数量级用符号“O”表示

时间复杂度是由嵌套最深层语句的频度决定的

 

 当n取得很大时，指数时间算法和多项式时间算法在所需时间上非常悬殊

时间复杂度T(n)按数量级递增顺序为：

 各种数量级的时间复杂度：

常用时间复杂度频率表：

 渐进空间复杂度

1.空间复杂度:算法所需存储空间的度量，记作:    S(n)=O(f(n))            

>>其中n为问题的规模(或大小)

2.算法要占据的空间

>>算法本身要占据的空间，输入/输出，指令，常数，变量等

>>算法要使用的辅助空间