Chapter2 #Play With Data Structure

Chapter2 算法

1. 算法的定义

• 算法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，并且每条指令表示个或多个操作。

2. 算法的特性

• 输入输出：零个或多个输入；一个或多个输出。
• 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，并且每一个步骤在可接受的时间内完成。
• 确定性:算法的每一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。 可行性意味着算法可以转换为程序上机运行，并得到正确的结果。

3. 算法的设计要求

• 正确性:算法的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。
  但是算法的“正确”通常在用法上有很大的差别，大体分为以下四个层次。
  1.算法程序没有语法错误。
  2.算法程序对于合法的输入数据能够产生满足要求的输出结果。
  3.算法程序对于非法的输入数据能够得出满足规格说明的结果。
  4.算法程序对于精心选择的，甚至刁难的测试数据都有满足要求的输出结果。
• 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。
• 设计算法应该尽量满足时间效率高和存储量低的需求。

4. 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。(此方法有缺陷)
• 事前分析估算方法:在计算机程序编制前，依据统计方法对算法进行估算。
• 一个程序的运行时间，依赖于算法的好坏和问题的输入规模。所谓问题输入规模是指输入量的多少。

5. 函数的渐进增长

• 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,使得对于所有的n> N, f(n)总是比g(n)大，那么，我们说f(n)的增长渐近快于g(n)。
• 判断一个算法的效率时，函数中的常数和其他次要项常常可以忽略，而更应该关注主项(最高阶项)的阶数。

6. 算法时间复杂度

• 算法时间复杂度定义：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。
• 推导大0阶:
  1.用常数1取代运行时间中的所有加法常数。
  2.在修改后的运行次数函数中，只保留最高阶项。
  3.如果最高阶项存在且不是1,则去除与这个项相乘的常数。
  得到的结果就是大0阶。

7. 常见时间复杂度

• 常数阶；线性阶；对数阶；平方阶；
• 常用的时间复杂度所耗费的时间从小到大依次是:
  O(1)< O(logn) < O(n)< O(nlogn)< O($n^2$)< O($n^3$)<O($2^n$)< O(n!)<O($n^n$)

8. 最坏情况与平均情况

• 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。
• 一般在没有特殊说明的情况下，都是指最坏时间复杂度。

9. 算法空间复杂度

• 算法的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())，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。

10. 总结