刷算法题？首先要学会基础的算法分析！（递归算法的数学分析和非递归算法的数学分析demo）

前言：

     临近毕业，又到了找工作的黄金期，大家都在准备面试题目，提高自己的技术。这里面有一个很重要的点——算法，在我们学习完算法后，去大量的刷题往往是好的，但是AC之后我们也要学会总结思路，形成自己的套路，这其中分析算法的复杂度就还蛮重要的，至少在我们精益求精想得到最优解的时候（并且在看别人解析的时候），可以给我们很大的帮助。所以和我一起来学习如何分析算法吧！（这里不是单纯的分析时间复杂度哦）。

阅读思路：

---

一、算法分析的框架

     在说算法分析框架之前，我们是需要了解这几个事情：

• 输入规模的度量：需要合理的选择参数来表示输入规模（几乎所有的情况我们一眼就能够看出来应该选什么参数作为度量，选择不同可能有略微差别，但不影响我们进行分析）。
• 运行时间的度量：约定Cop为特定计算机上一个算法基本操作执行时间，C(n)是该算法需要执行基本操作的次数，所以算法程序的运行时间可以约等于T(n) = CopC(n)（我们在下面分析中会用到这个简单的式子）。
• 增长次数：例如n、logn（默认以2为底）、nlogn、n^2等函数代表增长次数，可以理解为导数代表变化的快慢（也就是我们常说的常数级别、指数级别等名词）。
• 算法的最优、最差和平均效率：某些时候对于不同的输入（例如我们对数组进行排序，排序执行的时间效率除了和基本的比较或者交换操作有关以外，还和数组本身的序列有关），算法的执行效率并不一致，所以如有必要，我们就要讨论最优、最差和平均效率。

 

分析框架：

     这里首先给出一个大致的框架，其实非递归和递归算法的分析区别是不大的，看整体的框架你就会发现前面几个步骤基本上是一致的。

1. 算法的时间效率和空间效率都用输入规模的函数进行度量（大部分时候我们都是去讨论时间效率，空间效率很少去讨论，但是在对动态规划以及其它算法进行优化的时候，我们需要考虑空间效率，接近最优解）。
2. 我们用算法基本操作的执行次数来度量算法的时间效率（基本书上会说for循环里面的那个操作就可以看做是基本操作，其实也就是执行次数最多的操作，因为其它操作太少，所以我们可以用基本操作的执行次数来大致表示时间复杂度，这也就是上面进行约定的原因T=CopC(n)），通过计算算法消耗的额外存储单元的数量来度量空间效率。
3. 在输入规模相同的情况下，有些算法的效率会有显著差异。对于这样的算法，我们需要区分最差效率、平均效率和最优效率。
4. 当算法的输入规模趋向于无限大时，它的运行时间（消耗的额外空间）函数的增长次数是我们主要关心的。

     3、4两点是比较模糊的，你肯定是这个表情，所以让我重新复述一遍：

     简单来说，不管是非递归还是递归，我们分析一个算法：

（1）首选都是选择输入规模，

（2）然后找到基本操作，

（3）然后判断基本操作的执行次数是否只依赖于输入规模，如果还依赖其它特性，就需要考虑最差、平均和最优效率。

（4）之后如果是非递归我们需要建立求和表达式，得到我们的/（4）如果是递归算法的话，我们需要建立递归关系式并且得到初始条件，

（5）增长次数（也就是像这样的形式O(n)）；（5）然后确定增长次数。

     那么我们就一一来看具体的例子吧！

---

二、非递归算法的数学分析

框架：

1. 决定用哪个（哪些）参数表示输入规模
2. 找出算法的基本操作（作为一个规律，它总是位于算法中的最内层循环中）
3. 检查基本操作的执行次数是否只依赖于规模。如果它还依赖于一些其它的特性，则最差效率、平均销量以及最优效率（如有必要）需要分别研究
4. 建立一个算法基本操作执行次数的求和表达式
5. 利用求和运算的标准公式和法则来建议一个操作次数的闭合公式，或者至少确定它的增长次数。

例子：

     验证给定数组中的n个元素是否全部唯一，最简单的算法不就是暴力么？

算法：
UniqueElements(A[0...n-1])
//验证给定数组中的元素是否全部唯一
//输入：数组A[0..n-1]
//输出：如果A中的元素全部唯一，返回true
//      否则，返回false
for i<-0 to n-2 do
	for j<-i+1 to n-1 do
		ifA[i]=A[j] return false
return true
 

     那么我们按照上面框架中的方法一起来分析这个算法把！

（1）基本输入是数组中元素的个数n

（2）基本操作是最内循环里面的比较操作

（3）基本操作除了和输入规模n有关，还和数组中元素的序列有关，例如当第一个和第二个元素相同时，我们直接就结束了算法，此时比较次数C(n)=1。

（4）实际操作中可能我们都只看最差效率Cworst(n)，但是这里为了分析我们需要考虑最好、最差和平均效率。

1）最好效率Cbest

     显然我们知道最好就是第一个元素和第二个元素是相同的（不需要关心其它的），那么第一次比较就会返回false，所以这是C(n)=1。

2）最坏效率Cworst

     我们思考一下什么时候比较是最多的，那么第一种情况肯定是没有相同的元素，这样会执行完两层的for循环才会去返回true；第二种情况，就是相同的元素分别在头部和尾部，这样比较的次数也是最多的。现在我们可以建立

 这样的求和表达式，最后近似得到n^2数量级的增长率，这里用Θ来表示。

3）平均效率Cavg

     在实际分析中，我们得到最坏效率就会很开心的走开了，往往平均效率是最烦人的。那么我们一起来看看。

     大前提假设：每一种输入出现的机会是均等的。

•      首先假设数组里面存在相同的元素：

那么相同元素的输入是以下n种：

     这里我假设相同元素为a==a，所以按照第一个a出现的位置进行分析：

      这里我偷偷懒除法不算了，那么我们就得到Θ(n)的数量级。

     综上，最好、最坏和最差效率，那么我们用O(n^2)来表示此算法的数量级，分析完毕。这里也就是说，一般情况下我们只需要去讨论最坏的情况，所以在大多数分析的时候，我们可以直接用O符号来表示时间复杂度。

---

三、递归算法的数学分析

框架：

1. 决定用哪个（哪些）参数作为输入规模的度量标准
2. 找出算法的基本操作
3. 检查一下，对于相同输入规模的不同输入，基本操作的执行次数是否可能不同。如果有这种可能，则必须对最差效率、平均效率和最优效率做单独研究
4. 对于算法基本操作的执行次数，建立一个递推关系以及相应的初始条件
5. 解这个递推式，或者至少确定它的解的增长次数。

例子：

     求一个正的十进制整数表示为二进制的位数。那么算法有：

算法 BinRec(n)
//输入：一个正的十进制整数n
//输出：n的二进制表示的位数
if n = 1 return 1
else return BinRec(n/2) + 1//n/2这里取下整
 

     现在我们按照上面所说的框架进行分析

（1）输入规模为n的大小

（2）基本操作为BinRec(n/2)+1中的加法

（3）确定基本操作的次数只依赖于输入规模，和其它特性没有关系

（3）那么尝试建立递推关系和初始条件（这里会用到平滑规则定理，它的意思就是在一个非常宽泛的假设下，无论n取何值，它的增长次数与n=2^k时的增长次数是完全相同的）：

      最后，我们直接用O(logn)表示我们的时间复杂度即可，上面和这里都没有去讨论空间复杂度，因为我们侧重时间复杂度的分析，但在排序或者动态规划等题目的时候，有些是需要去优化空间复杂度的。

 

---

总结：

     做一个小小的总结，现在回想一下，如果给你一个算法，你会分析它的时间复杂度吗？非递归怎么做？递归算法怎么做？无非就是找输入规模，找基本操作，判断是否需要进行最好最坏平均效率的分析，要么得到求和表达式，要么得到递推关系，然后利用数学知识计算就可以得到增长次数，得到我们的时间复杂度。

     在上面最后的结果，我没有使用Ω、Θ符号，仅仅用O不是它们不重要，而是在做算法题目的时候，我们往往只是关心最坏的情况而已，所以基本都用O去表示时间复杂度，没有做到那么精确。在非递归算法中，需要进行最好、最坏和平均效率分析的算是比较复杂的，而递归的情况最重要的就是得到递推关系。

     很高兴你可以看到这里，希望下次分析算法的时候，除了可以看到时间复杂度O是多少，还可以想起来利用数学思维去分析每一步骤。额，分析其实感觉还好对吧，写出算法才是最难的呢！之后的博客就更新各种算法啦，让我们一起提高自己的内功吧！