算法小记-设计要求、时间效率度量、存储空间要求_合理设计算法来提高算法执行效率,合理的存储方式能够提高空间占用率属于算法-CSDN博客

本文链接：https://blog.csdn.net/qq_40140808/article/details/131882121

算法的重要特性：

1. 正确性：算法应该正确解决问题，产生正确的输出。
2. 效率：算法应该高效，能在合理时间内完成任务。
3. 确定性：算法是确定性的，对相同输入始终产生相同输出。
4. 有限性：算法应该在有限步骤内结束执行。
5. 输入：算法有零个或多个输入，即操作对象。
6. 输出：算法产生一个或多个输出，即结果。
7. 可行性：算法能在合理时间和资源内完成。
8. 可读性：算法易读易懂，方便他人理解和实现。
9. 通用性：算法能解决一类问题而不仅限于特定实例。
10. 鲁棒性：算法能处理不合法的输入和异常情况。
11. 可优化性：算法可以通过改进或优化提高性能。

这些特性确保了算法在解决问题和实现任务时的正确性、可靠性、高效性和通用性。

算法设计的要求：

1. 正确性：算法应该正确解决问题，产生正确的输出。
2. 效率：算法应该高效，能够在合理的时间内完成任务。
3. 可读性：算法应该易读易懂，方便他人理解和实现。
4. 健壮性：算法应该能够处理各种输入数据和异常情况，避免程序崩溃。
5. 通用性：算法应该具有一定的通用性，不仅限于特定实例。
6. 可维护性：算法应该易于维护和修改，不影响正确性和效率。
7. 可扩展性：算法应该适应未来需求变化和数据规模扩大。
8. 合理性：算法应该符合问题本质，既不过于复杂也不过于简单。
9. 可证明性：算法的正确性应该是可证明的，通过数学或逻辑推理证明。

综合考虑以上要求，设计简洁、高效的算法可以更好地解决问题和提高程序性能。

算法的时间效率度量

算法的时间效率度量：

基本操作：算法的时间效率与其中的基本操作执行次数有关。基本操作通常是一些简单的计算或比较，如赋值、加减乘除、比较大小等。
最坏情况时间复杂度（Worst-case Time Complexity）：最坏情况时间复杂度是在算法的所有可能输入中，执行时间最长的情况下所需的时间复杂度。它表示算法的最差执行情况，是算法的上界。
平均情况时间复杂度（Average-case Time Complexity）：平均情况时间复杂度是在算法的所有可能输入的情况下，所有情况的执行时间的平均值。由于涉及到概率统计，平均情况时间复杂度比较难确定。
最好情况时间复杂度（Best-case Time Complexity）：最好情况时间复杂度是在算法的所有可能输入中，执行时间最短的情况下所需的时间复杂度。它表示算法的最优执行情况，是算法的下界。
渐进时间复杂度：通常用大 O 表示，如 O(1)、O(log n)、O(n) 等。渐进时间复杂度衡量算法在输入规模无限增大时的执行时间增长率。
时空权衡：在一些情况下，为了提高时间效率，可能会增加空间复杂度（所需的内存空间），或者为了减少空间占用可能会降低时间效率。这涉及到时间与空间的权衡，需要根据具体情况做出选择。
常见时间复杂度：常见的时间复杂度从低到高依次为：O(1) < O(log n) < O(n) < O(n log n) < O(n^2) < O(n^k) < O(2^n)。
选择合适的数据结构和算法：合理选择适合问题特点的数据结构和算法，可以显著影响算法的时间效率。比如使用哈希表、二叉搜索树等能够提高查找和插入操作的效率。

总体而言，对于算法的时间效率度量，我们主要关注最坏情况下的时间复杂度，通过分析算法的基本操作次数和输入规模的关系，选择最优的算法来解决问题，以提高算法的执行效率。
假设有以下两个算法用于查找数组中是否存在特定元素：

算法一（线性查找）：

def linear_search(arr, target):
    for num in arr:
        if num == target:
            return True
    return False

算法二（二分查找）：

def binary_search(arr, target):
    left, right = 0, len(arr) - 1
    while left <= right:
        mid = (left + right) // 2
        if arr[mid] == target:
            return True
        elif arr[mid] < target:
            left = mid + 1
        else:
            right = mid - 1
    return False

对于这两个算法，假设数组中有 n 个元素：

算法一（线性查找）的时间复杂度为 O(n)，因为最坏情况下需要遍历整个数组才能找到目标元素或确定不存在。
算法二（二分查找）的时间复杂度为 O(log n)，因为每次查找都将数组规模缩小一半，使得算法在大规模数据下的执行时间大大降低。

假设现在有一个包含 1000 个元素的数组，我们要在其中查找特定元素，比较两个算法的效率：

算法一（线性查找）的最坏情况下，需要遍历全部 1000 个元素，时间复杂度为 O(1000) = O(n)，算法的执行时间与数据规模成线性关系。
算法二（二分查找）的最坏情况下，每次将数组规模缩小一半，大约在 10 次左右就能找到目标元素或确定不存在，时间复杂度为 O(log 1000) ≈ O(log n)，算法的执行时间随着数据规模的增加，增长速率相对较慢。

从以上例子可以看出，算法的时间效率度量可以帮助我们在不同情况下选择合适的算法。对于大规模数据，选择时间复杂度较低的算法能够显著提高程序的执行效率。