算法基础

算法基础

参考博客：算法时间复杂度求解法【详细过程说明】

1.1、算法时间复杂度

随问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，称为渐进算法时间复杂度。

算法时间复杂度写法： O( )，叫做大O记法；

• 随n的增大，T(n)增长最慢的算法为最优算法；
• O(1)——常数阶
• O(n)——线性阶
• O(logn)——对数阶
• O(n^2)——平方阶

（1）常数阶

int sum = 0 ; n = 100; /*执行一次*/
sum = (1+n)*n/2; /*执行一次*/
printf("%d",sum); /*执行一次*/

以上每一句代码无论执行多少次，时间复杂度都是O(1)。

（2）线性阶

for(int i = 0 ; i < n ; i++){
	/*时间复杂度为O(1)的程序*/
}

（3）对数阶

int count = 1;
while(count < n){
	count = count * 2;
	/*时间复杂度为O(1)的程序*/
}

每次count*2后，距离结束循环更近了。
数学公式：2x = n --> x = log2n
因此这个循环的时间复杂度为O(logn)。

（4）平方阶

for(int i = 0 ; i < n ; i++){
    for(int j = 0 ; j < n ; j++){
        /*时间复杂度为O(1)的程序*/
    }
}

对于内层循环，它的时间复杂度为O(n)，但是它是包含在外层循环中，再循环n次，因此这段代码的时间复杂度为O(n2)。

for(int i = 0 ; i < n ; i++){
    for(int j = i ; j < m ; j++){
        /*时间复杂度为O(1)的程序*/
    }
}

如果内层循环改成了m次，时间复杂度就为O(n*m)

for(int i = 0 ; i < n ; i++){
    for(int j = i ; j < n ; j++){
        /*时间复杂度为O(1)的程序*/
    }
}

以上代码，j=i; j<n; j++
当i=0，执行了n次；
当i=1，执行了n-1次；
当i=2，执行了n-2次；
…
当i=n，执行了1次；
执行总数：n+(n-1)+(n-2)+…+1 = (n^2)/2 + n/2
保留最高阶项，时间复杂度为O(n^2)。

• 时间复杂度所耗费的时间是：
• O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) <O(2n) < O(n!) <O(nn)

1.2、斐波那契数列

参考资料：神奇兔子数列

Java代码实现

package org.algorithm.basic;

/**
 * 斐波那契数列（java)
 * @author kiki
 *
 */
public class FibonacciSequence {
 
	public static void main(String[] args) {
		int length = 20;
		System.out.println("生成长度为" + length + "的斐波那契数列");
		for(int i = 0; i < length; i++) {
			System.out.print(createFibonacciSequence(i) + "-");
		}
	}
	
	/**
	 * 递归生成斐波那契数列
	 * @param size 数量
	 */
	public static int createFibonacciSequence(int i){
		if(i == 0 || i == 1) {
			return 1;
		}else {
			//从2开始
			return createFibonacciSequence(i-1) + createFibonacciSequence(i-2);
		}
	}
}

执行结果：

生成长度为20的斐波那契数列
1-1-2-3-5-8-13-21-34-55-89-144-233-377-610-987-1597-2584-4181-6765-