数据结构（二）——算法的基本概念

一、概念：

• 算法是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
• 是独立存在的一种解决问题的方法和思想
• 对于算法而言，语言不重要，重要的是思想

二、算法和数据结构的区别：

• 数据结构只是静态描述了数据元素之间的关系
• 高效的程序需要在数据结构的基础上设计和选择算法，即程序=数据结构+算法
• 算法是为解决实际问题而设计的
• 数据结构是算法需要处理的问题载体
• 数据结构与算法相辅相成

三、算法效率的度量——复杂度度量：

3.1 算法复杂度度量的方式：

• 事前分析估算
• 依据统计方法对算法效率进行估算

3.2 影响算法效率的主要因素

1. 算法采用的策略和方法
2. 问题的输入规模
3. 编译器所产生的代码
4. 计算机执行速度

3.3 常用的度量方法：

      时间复杂度和空间复杂度

3.3.1 时间复杂度：

      通过计算算法里总的操作数量衡量算法效率

因为算法最终是由具体的计算机指令实现，每个指令在计算机CPU上运行的时间是固定的，这样通过具体的n步就可以推导出算法的复杂度

      以下表为例，当程序执行相同的次数时不同的算法执行的次数是不同的

                                           

在评估算法的好坏时要注意：

1. 判断一个算法的效率时，往往只需要关注操作数量的最高次项，其它次要项和常数项可以忽略
2. 在没有特殊说明时，我们所分析的算法的时间复杂度都是指最坏的时间复杂度

大O表示法;

1. 算法效率严重依赖操作（operation）数量
2. 在判断时首先要关注操作数量的最高次项
3. 操作数量的估算可以作为时间复杂度的估算

比如下面是关于算法效率的计算：

• O(5) = O(1)
• O（2n+1）= O(2n) = O(n)
• O(n^2 + n +1) = O(n^2)
• O(3n^3 +2n +1) = O(3n^3) = O(n^3)

常见的时间复杂度模型：

                            

                         

3.3.2 空间复杂度度量

通过计算算法的存储空间来实现，即看程序对内存的需求

比如：

        S（n） = O(f(n))

其中n为问题规模，f（n）为在问题规模为n时所占用的存储空间的函数

大O表示法同样适用于算法的空间复杂度

注：当算法执行时所需要的空间是常数时，空间复杂度为O(1)

                                        

3.4 空间与时间策略

• 多数情况下，算法执行时所用的时间更令人关注
• 如果有必要，可以通过增加空间复杂度来降低时间复杂度
• 同理，也可以通过增加时间复杂度来降低空间复杂度

例子：一个数组中存放了从1-1000的随机整数，求数组中出现次数最多的那个数。

//统计字符串中出现次数最多的那个数
int main()
{
	int a[] = {1,2,4,1,6,1,8,9};
	int x[1000] = {0};
	int max=0;
	//cout << sizeof(a)/sizeof(*a) << endl;
	int len = sizeof(a) / sizeof(*a);
	
	for (int i = 0; i < len; i++) //遍历数组求每个数字出现的次数，然后记录下来
	{
		int b = a[i] - 1;
		x[b]++;
	}
	for (int i = 0; i < 1000; i++)//扫描数组求最大数
	{
		if (max < x[i])
		{
			max = x[i];
		}
	}
	for (int i = 0; i < len; i++) //输出
		if (x[i] == max)
		{
			cout << i + 1 << " " ;
			cout << "出现次数：" << x[i] << endl;
		}
		
	return 0;
}