【算法】一、概述

由于这是本人的一些学习笔记，什么算法历史等在这里不作概述。

1.1概念

算法是规则的有限集，是为解决特定问题而规定的一系列操作。

1.1.1算法的特性

有限性：有限步之后必须结束。

确定性：每一步骤必须有确切的含义，无二义。

可行性：原则上能精确的运行，即在现有条件情况下，是可以实现的。即使手工运算也能实现。

输入性：有0个或多个输入，刻画运算对象的初始情况。

输出性：有一个或多个输出，反映数据加工结果。

1.1.2算法的描述方式

自然语言

框图（流程图或N-S图）

高级语言

伪代码（类语言）

1.1.3算法设计要求（什么才是“好”算法）

正确

可读性好

健壮性高

高效率-低存储

1.2算法复杂度分析

1.2.1时间复杂度

 过于简单的时间复杂度分析这里不予赘述

下面看一个例子：

int i=0,sum=0;
while(sum<n){
   i++;
   sum+=i;
}
return sum;

假设执行次数为m，即i最后为m

则有sum=m(m-1)/2 即m(m-1)/2>=n

计算得T(n)=O(√n)

时间复杂度的类别：

最好时间复杂度：最少次数

平均时间复杂度：平均次数

最坏时间复杂度：最大次数

一般采用最坏情况来作为算法的时间复杂度

1.2.2空间复杂度

一个算法的存储量包括形参所占空间和临时变量。在对算法进行存储空间分析时，只考虑临时变量所占空间。

两个例子：

void func(int n){
   int i=1,k=100;
   while(i<=n){
      k++;
      i+=2;
   }
}

空间复杂度：S(n)=O(1)

int maxelem(int a[],int i,int j){
   int mid(i+j)/2,max1,max2;
   if(i>j){
      max1=maxelem(a,i,mid);
      max2=maxelem(a.mid+1,j);
      return (max1>max2)?max1:max2;
   }
   else return a[i];
}

递归算法空间复杂度=每层需要的辅助空间*递归深度

S(n)=O(logn)

1.3算法分析的三种渐进符号：O、Ω和θ

1.3.1大O符号

大O符号：f(n)=O(g(n))，当且仅当存在正常量c和n0，使n>=n0时，f(n)<=cg(n),即g(n)为f(n)的上界

大Ω符号与大O符号相反

大θ符号居中

简单来说：

 也就是长这个样子

我个人建议通过极限法理解：

与数学结合起来，再联系图像，就会好理解多