这里写目录标题
2.1 算法及其特性
算法(Algorithm):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,并且每一条指 令表示一个或多个操作。
算法的特性:输入、输出、有穷性、确定性和可行性。
-
输入输出:算法具有0个输入或者多个输入
算法至少有一个或多个输出(可以是打印输出,也可以是返回一个或多个值)
-
有穷性:指算法在执行有限的步骤之后,自动结束而不会出现无限循环,并且每个
步骤在可接受的时间内完成。
-
确定性:算法的每个步骤都具有确定的含义,不会出现二义性。
-
可行性:算法的每一步都必须是可行的,也就是说,每一步都能够通过执行有限次数完成。
2.2 算法的设计要求
-
正确性:是指算法至少应该具有输入、输出和加工处理无歧义性、能正确反映问题的需求,能够得到问题的正确答案。
-
可读性:算法设计的另一目的是为了便于阅读、理解和交流。 健壮性:当输入数据不合法时,算法也能做出相关处理,而不是产生异常或莫名其妙的结果算法的每个步骤都具有确定的含义,不会出现二义性。
-
时间效率高和存储量低:设计算法应该尽量满足时间效率高和存储量低的需求。
2.3 算法效率的度量方法
事后统计方法:这种方法主要是通过设计好的测试程序和数据,利用计算机计时器对不同算法编制的程序的运行时间进行比较,从而确定算法效率的高低。【有很大缺陷】
事前分析估算法:在计算机程序编制前,依据统计方法对算法进行估算。
一个高级程序语言编写的程序在计算机上运行时所消耗的时间取决于:
① 算法采用的策略、方法。(算法好坏的根本)
② 编译产生的代码质量。(软件支持)
③ 问题的输入规模。 (例子)
④ 机器执行指令的速度。(硬件性能)
2.4 函数的渐近增长
函数的渐近增长: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n>N,f(n)g总是比(n)大,我们就说f(n)的增长渐近快于g(n)。
2.5 算法时间复杂度
算法时间复杂度:在进行算法分析时,语句总的执行次数T(n)是关于问题规模n的函数,进而分析T(n)随n的变化情况并确定T(n)的数量级。
算法的时间复杂度,也就是算法的时间量度,记作:T(n) = O(f(n))。
它表示随问题规模n的增大,算法执行时间的增长率和f(n)的增长率相同,称作算法的渐近时间复杂度,简称为时间复杂度。其中f(n)是问题规模n的某个函数。
一般情况下,随着n的增长,T(n)增长最慢的算法为最优算法。
推导大O阶方法:
常数阶
时间复杂度为O(1)。
线性阶
分析算法的复杂度,关键就是要分析循环结构的运行情况,下面这段代码的时间复杂 度为O(n),因为循环体中的代码须要执行n次。
int i ;
for( i = 0 ; i<n ; i++){
//时间复杂度为 O(1)的程序步骤序列
}
对数阶
分析代码:
int count = 1;
while(count < n) {
count = count * 2;
//时间复杂度为 O(1)的程序步骤序列
}
由于每次count乘以2之后,就距离n更尽了一分,有多少个2相乘后大于n,则退出循环。 所以这个循环的时间复杂度为O(logn)。
平方阶
分析代码:
int i,j;
for(i=0;i<n;i++)
for(j=0;j<n;j++) {
//时间复杂度为 O(1)的程序步骤序列
}
}
时间复杂度为O(n✖n)。
循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数
那么下面这个循环嵌套,他的时间复杂度时多少呢?
int i,j;
for(i=0;i<n;i++)
/* 注意 j=i 而不是0 */
for(j=i;j<n;j++) {
//时间复杂度为 O(1)的程序步骤序列
}
}
2.6 常见的时间复杂度
2.7 最坏情况与平均情况
最坏情况:最坏情况运行时间是一种保证,那就是运行时间将不会再坏了。在应用中,这是一种最重要的需求,通常,除非特别指定,我们提到的运行时间都是最坏情况的运行时间。
平均运行时间:是所有情况中最有意义的,它是期望的运行时间。现实中,平均运行时间很难通过分析得到,一般都通过运行一定数量的实验数据后估算出来。
2.8 算法空间复杂度
算法空间复杂度:通过计算算法所需的存储空间实现,算法空间复杂度的计算公式记作:S(n) = O(f(n)),其中,n为问题的规模,f(n)为语句关于n所占存储空间的函数。
通常情况下,我们使用“时间复杂度"来指运行时间的需求,使用“空间复杂度”指空间需求。