数据结构——2.算法及算法分析

数据结构

2.算法及算法分析

算法：是指令的有限序列，是对特定问题求解步骤的描述。
算法具有下列5个重要特性：
1.有穷性：步骤有限，执行时间有限。
2.确定性：有确切的合义，无二义性，算法只有唯一的一条执行路径。
3.可行性：可以通过已经实现的基本运算执行有限次来实现的；
4.输入：算法具有零个或多个输入。
5.输出：算法具有一个或多个输出。

算法和程序的区别：
（1）在执行时间上，算法所描述的步骤一定是有限的，而程序可以无限地执行下去。因此程序并不需要满足上述的第一个条件（有穷性）。例如操作系统程序，是一个在无限循环中执行的程序，因而不是一个算法。
（2）在语言描述上，程序必须采用规定的程序设计语言来书写，而算法没有这种限制。

设计一个好的算法通常要考虑达到以下目标：
1.正确性：算法应能正确地实现预定的功能；
2.易读性：算法应易于阅读和理解，以便于调试、修改和扩充；
3.健壮性（鲁棒性）：当环境发生变化（如遇到非法输入）时，算法能适当地做出反应或进行处理，不会产生不正确的运算结果；
4.高效率：具有较高的时间和空间性能。

算法的评价方法常分两类：
1.事前分析估计
2.事后统计

算法的时间复杂度

算法的时间复杂度（Time Complexity）：T（N）是该算法的时间耗费，是其所求解问题规模N的函数。当问题规模N趋向无穷大时，不考虑具体的运行时间函数，**只考虑运行时间函数的数量级（阶）**这称为算法的渐进时间复杂度（Asymptotic Time Complexity）。

渐进表示法的常用记法如下：
大O表示法 $T(N)=O(f(N))$
说明：如果存在常量c>0和正整数$N_0$>=1，当$N\ge N_0$时有$T(N)\le cf(N)$。即给出了时间复杂度的上界，不可能比cf（N）更大。

语句的频度（frequency count）：指的是该语句重复执行的次数。
常通过计算基本操作的语句频度，求解时间复杂度。

【例3】分析下述程序段的时间复杂度。
{++x；S=0；}
选取“++x；”为基本操作，语句频度为1，则时间复杂度为O（1），即常量阶。

【例4】分析下述程序段的时间复杂度。
for（j=1；j<=10000；++j）{
++X；S+=x；}
选取“++x；”为基本操作，语句频度为10000，则时间复杂度为O（1），即常量阶。

【例5】分析下述程序段的时间复杂度。
s=0；
for（j=1；j<=n；j*=2）
++x；
选取“++x；”为基本操作，语句频度为${\log }_{2}n$，则时间复杂度为O（${\log }_{}n$），即对数阶。

【例6】分析下述程序段的时间复杂度。
for（i=1；i<=2*n；++i）{
++x；s+=x；}
选取“++x；”为基本操作，语句频度为2xn，则时间复杂度为0（n），即线性阶。

【例7】分析下述程序段的时间复杂度。
for（j=1；j<=n；++j）{
for（k=1；k<=n/4；++k）{
++x；s+=x；}
}
选取“++x；”为基本操作，语句频度为nxn/4，则时间复杂度为$O(n^2)$，即平方阶。

【例8】分析下述程序段的时间复杂度。
s=0；
for（j=1；j<=n；j++）
for（k=1；k<=j；++k）
++x；
选取“++x；”为基本操作，语句频度为（1+n）xn/2，则时间复杂度为$O(n^2)$，即平方阶。

并非所有的双重循环的时间复杂度都是$O(n^2)$的，下面举例说明。
【例9】分析下述程序段的时间复杂度。
for（j=1；j<n；j*=2）{
for（k=1；k<=n；++k）{
++x；s+=x；}
}
时间复杂度为$O(n{\log }_{2}n)$，即线性对数阶。

冒泡排序的算法：
最好时间复杂度：$O(n)$
最坏时间复杂度：$O(n^2)$
平均时间复杂度：$O(n^2)$
选择最坏情况和平均情况，得出冒泡的时间复杂度是$n^2$

算法的空间复杂度

如果所需额外空间相对于输入数据量来说只是一个常数，则称此算法为“原地工作”，此时的空间复杂度为$O(1)$；
例：问题的规模是n，
（1）若使用了大小是n的辅助一维数组，则空间复杂度为?$O(n)$
（2）若使用了大小是n*n的二维数组，则空间复杂度为?$O(n^2)$
（3）若使用了100个辅助变量，则空间复杂度为?$O(1)$