算法的定义
算法是为了解决某类问题而规定的一个有限的操作序列。
一个重要的公式:程序=算法+数据结构
算法特性
(1)有穷性:算法是由若干条指令组成的有穷序列,总是在执行若干次后结束,不可能永不停止。
(2)确定性:每条语句都有确定的含义,无歧义。
(3)可行性:算法在当前环境条件下可以通过有限次运算来实现。
(5)输入/输出:有零个或多个输入以及一个或多个输出。
“好”算法的标准
(1)正确性:正确性是指算法能够满足具体问题的需求,程序运行正常,无语法错误,能够通过典型的软件测试,达到预期。
(2)易读性:算法遵循标识符命名规则,简洁易懂,注释语句适当适量,方便自己和他人阅读,便于后期调试和修改。
(3)健壮性:算法对非法数据及操作有较好的反应和处理。
(4)高效性:高效性是指算法运行效率高,即算法运行所消耗的时间短。
(5)低存储性:是指算法所需的存储空间小。
算法的时间复杂度
算法的时间复杂度就是算法运行所需的时间,现在我们将算法基本执行次数作为时间复杂度的衡量标准。常见的时间复杂度按数量级递增排列依次为:常量阶O(1)、对数阶O(log2 n)、线性阶O(n)、线性对数阶O(nlog2 n)、平方价O(n^2)、立方阶O(n^3)、...... 、k次方阶O(n^k)、指数阶O(2^n)等等。
时间复杂度为指数阶的算法效率极低,当n值稍大时就无法应用,应尽可能避免指数阶。
//常量阶示例
{ a++; b = 0;}
//线性阶示例
for (int i = 0; i < n; i++) {
a++; b = 0;
}
//平方阶示例
a = 0; b = 0;
for (k = 1; k <= n; k++) {
a++;
}
for (i = 1; i <= n; i++) {
for (j = 1; j <= n; j++) {
b++;
}
}
//立方阶示例
for (i = 1; i <= n; i++) {
for (j = 1; j <= n; j++) {
for (k = 1; k <= n; k++) {
a++;
}
}
}
有时会对算法有最好、最坏以及平均时间复杂度的评价。称算法在最好的情况下的时间复杂度为最好时间复杂度,是指算法计算量可能达到的最小值;称算法在最坏情况下的时间复杂度为最坏时间复杂度,是指算法计算量可能达到最大值;算法的平均时间复杂度是指算法在所有可能情况下,按照输入实例以等概率出现时,算法计算量的加权平均值。
算法的空间复杂度
算法的空间复杂度就是指算法在运行过程中占用了多少的存储空间。算法占用的存储空间包括:输入/输出数据、算法本身和额外需要的辅助空间。输入/输出数据占用的空间是必需的,算法本身占用的空间可以通过精简算法来缩减,但缩减的量是很小的,可以忽略不计。算法在运行时所使用的辅助变量占用的空间(即辅助空间)才是衡量算法空间复杂度的关键因素。
//算法1
for (i = 0; i < n; i++) {
if (a[i] > a[i + 1]) {
temp = a[i];
a[i] = a[i + 1];
a[i + 1] = temp;
}
}
//算法2
for (i = 0; i < n; i++){
b[i] = a[n - i - 1];
}
for (i = 0; i < n; i++) {
a[i] = b[i];
}
算法1仅需要另外借助一个变量temp,与问题规模n大小无关,所以其空间复杂度为O(1)。
算法2需要另外借助一个大小为n的辅助数组b,所以其空间复杂度为O(n)。
参考书籍:趣味算法