算法和算法分析

14天阅读挑战赛

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