大话数据结构 第二章：算法 读书笔记

算法：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。

数据结构和算法的关系是相互依赖，不可分割的。

算法是对一些思想步骤的描述，不是具体的代码实现，根据不同的问题要具体分析，就事论事。我们应该把算法当作工具，熟练掌握它们，灵活运用它们。

对比记忆算法的特性和算法设计的要求

• 算法的特性：有穷性，可行性，确定性，输入，输出。

1. 有穷性：在执行有限步骤后可以达到目的，不会出现无限循环或不现实运行时间。
2. 可行性：每个步骤要能够实行。
3. 确定性：每个步骤都是准确无歧义的，对应结果唯一。
4. 输入，输出：可以没有输入，但至少要有一个输出。

• 算法设计的要求：正确性，可读性，健壮性，高效率和低储存量需求。

1. 正确性：这是最基本的要求，语法上，对于合法输入数据的处理得到正确答案，对于非法数据有效说明，程序能够满足所有数据情况。
2. 可读性：算法应该易于他人和自己理解，不能写的晦涩难懂。因为算法设计的另一大目的是为了便于阅读，理解和交流。（可读性是算法（也包括实现它的代码）好坏的很重要的标志）。
3. 健壮性：考虑要全面完善，对于非法的数据输入不应该得到一个莫名其妙的结果，要进行适当的处理，让运行者明白输入的数据是否出现了问题。简而言之就是对输入数据不合法的情况做适当的处理。
4. 高效率和储存量低：很好理解，即在前面3点的前提下，运行时间短，程序占用内存小。无论做什么事情，人们总是会在能达到目的的基础上再追求高效率，即不断优化。为测算效率，由此引出两个关键名词：时间复杂度和空间复杂度。（我们可以用空间换时间，或者时间换空间，我们要就具体情况选择不同方法）。(tip:当不用限定词地使用“复杂度”时，通常都是指时间复杂度)

事前分析估算法

在这之前我们要理解一个概念：函数的渐近增长。即给定两个函数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）。通过对比算法的关键执行次数函数的监禁增长性，我们可以得出：某个算法，随着n的变大，它会越来越优于另一算法，或者越来越差于另一算法。

在写程序之前，想好了思路之后要先估算效率，可以减少很多不必要的麻烦。

首先给出时间复杂度的概念：

n称为问题的规模，当n不断变化时，时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此，我们引入时间复杂度概念。 一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n),使得当n趋近于无穷大时，T(n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=Ｏ(f(n)),称Ｏ(f(n)) 为算法的渐进时间复杂度，简称时间复杂度。

我们要通过数学的思想先得到运行次数关于n的表达式。

对该表达式的处理用到的是一下方法。

估算时间复杂度的方法：大O记法。

（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其系数不为1，则去除其系数，得到的结果就是大O阶。

常见的时间复杂度有：常数阶，线性阶，平方阶，立方阶，对数阶，nlogn阶，指数阶等。

它们的费时关系为：

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

最坏情况与平均情况

最坏情况可以理解为是一种保证，运行时间不会再多于最坏情况了。而平均情况是运行时间的期望值，是我们所希望看到的运行时间。

-----------------------------------------------------------------end-----------------------------------------------------------

2022.1.9