数据结构—基本概念与算法评价（二）

数据结构—基本概念与算法评价（二）

---

---

算法和算法的评价

算法定义

算法，是对特定问题求解步骤的一种描述，它是指令的有限序列，其中的每条指令表示一个或多个操作。

算法的特性

1、输入：算法具有0个或多个输入。
2、输出：算法具有至少1个或多个输出。
3、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都在可接受的时间内完成。
4、确定性：算法每条指令都必须有确切的含义，对于相同的输入只能得出相同的输出。
5、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。

算法的设计要求

一个好的算法必须做到：
1、正确定：算法至少应该具有输入、输出和加工处理无歧义性，能正确反应问题的需求，能够得到问题的正确答案。
2、可读性：便于阅读、理解和交流。
3、健壮性：当输入数据不合法时，算法能做出相关处理，而不是产生异常或莫名其妙的结果。
4、时间效率高和存储量低

算法时间复杂度

一个语句的频度是指该语句在算法中被重复执行的次数。
算法中所有语句的的频度之和记为T(n)，它是该算法问题规模n的函数，时间复杂度主要分析T(n)的数量级。
算法中基本运算（最深层循环中的语句）的频度与T(n)同数量级。
也就是最深层循环中语句的执行次数和T(n)同数量级。

算法的时间复杂度不仅依赖于问题的规模n，也取决于待输入数据的性质（如输入数据元素的初始状态）。

i = n - 1
while (i >= 0 and A[i] != k):
	i -= 1
return i

例如，在数组中查找值为K的元素。该算法中语句频度不仅与问题规模n有关，而且与下列因素有关：
1）若数组中没有与k值相等的元素，则 i-=1 的频度f(n) = 3
2）若数组中最后一个元素等于k，则 i-=1 的频度f(n) = 0
最坏时间复杂度是指在最坏情况下，算法的时间复杂度。
平均时间复杂度，是指所有可能输入实例在等概率出现的情况下，算法的期望运行时间。
最好时间复杂度，是指最好情况下，算法的时间复杂度。
一般总是考虑最坏时间复杂度，以保证算法的运行时间不会比它更长。

加法规则（Rule of Sum）： 如果有一个算法由两个独立的操作组成，那么算法的总时间复杂度是这两个操作时间复杂度的和。公式可以表示为： T(n) = O(f(n)) + O(g(n)) = O(f(n) + g(n)) = O(max(f(n) , g(n))这意味着算法的总体时间复杂度是由两个操作中较坏情况的时间复杂度决定的。

乘法规则（Rule of Product）： 如果有一个算法由两个相继进行的操作组成，那么算法的总时间复杂度是这两个操作时间复杂度的乘积。公式可以表示为： T(n) = O(f(n)) * O(g(n)) = O(f(n) * g(n)) 这意味着算法的总体时间复杂度是由两个操作的时间复杂度相乘得到的。

以下是一些常见的时间复杂度阶数，从最优越到最差：

1、常数时间：O(1)
不依赖于输入数据规模，执行时间恒定。

2、对数时间：O(log n)
执行时间随着输入规模的增加而增长非常缓慢。

线性时间：O(n)
执行时间与输入规模呈线性关系。

对数线性时间：O(n log n)
执行时间比线性时间稍多，但远低于任何多项式时间。

平方时间：O(n^2)
执行时间随着输入规模的增加呈平方增长，常见于简单的排序算法和嵌套循环。

立方时间：O(n^3)
执行时间随着输入规模的增加呈立方增长，常见于一些复杂的算法。
指数时间：O(2^n) 或 O(a^n)（a > 1）
执行时间以指数速度增长，适用于一些递归算法，如暴力搜索。
阶乘时间：O(n!)
执行时间随着输入规模的增加呈阶乘增长，非常低效。

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为，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。
一个程序在执行时除需要存储空间来存放本身所用的指令、常数、变量和输入数据外，还需要一些对数据进行操作的工作单元和存储一些为实现计算所需信息的辅助空间。
若输入数据所占空间只取决于问题本身，和算法无关，则只需分析除输入和程序之外的额外空间。
例如，若算法中新建了几个与输入规模n相同的辅助数组，则空间复杂度为O(n)。
算法原地工作，是指算法所需的辅助空间为常量，即O(1)。

相关题目

本篇参考王道、大话数据结构，进行学习总结。