自学算法

关于本课程

hi，少年。咱们来一起学习算法啦。这套课程特别适合自学算法的小白。每节课程最后还有一道练习题，边学边练，可以帮你及时巩固学习到的知识。

如果您在学习其他相关的算法课程，也可以学习该课程用来巩固知识点。

本教程中的练习题，请移步 1024乐学编程-算法基础 进行练习。

您也可以在该网站免费学习到更多课程

好，那我们正式开始！
算法，可以简单理解为，完成一个任务的方法。
你可以把它想象成食谱。要想做出一道菜肴，只需要按食谱的步骤一步步操作。

编程中的算法，就是用计算机解决一个问题的方法。
食谱和算法的最大区别，在于算法是严密的，只要遵循步骤就一定能解决特定的问题；而食谱经常会有模糊描述的部分，不同厨师按照一个食谱做出来的菜可能口味天差地别。

算法有优劣之分

算法也有优劣之分，如果让你在图书馆找到一本书
算法一：在图书馆乱逛，随便抓起一本书看是不是要找的，如果不是，就再逛到另一个地方，随便抓起一本书
算法二：从图书馆的第一排书架最顶层开始，从左到右，一本本地找。找完一层，再找下一层。如果整个书架找完了，就到下一个书架，再这样找。
算法三：根据图书的索引编号，到图书馆的特定区域（如文学区、科技区），找到编号对应的书架、在哪一层，然后从左到右一本本找到。

那肯定选择算法三！ 效率最高。

时间复杂度

算法的优劣有很多体现，比如时间复杂度，空间复杂度，可读性和健壮性等等。
空间复杂度是指运行完一个程序所需内存的大小。一般来说，空间复杂度越小，算法越好。
时间复杂度用来衡量一个算法的运行时间和输入规模的关系，通常用 O表示。
简单计算复杂度的方法一般是统计“简单操作”的执行次数，有时候也可以直接数循环的层数来近似估计。
按增长量级递增排列，常见的时间复杂度有：
O(1)—常数阶
O(N)—线性阶
O(log2N)—对数阶
O(nlogn)—线性对数阶
O(n²)—平方阶

算这个时间复杂度实际上只需要遵循如下守则：
• 用常数1来取代运行时间中所有加法常数；
• 只要高阶项，不要低阶项；
• 不要高阶项系数；

O(1)的算法是一些运算次数为常数的算法。例如：

temp=a;
a=b;
b=temp;

根据守则：用常数1来取代运行时间中所有加法常数；
上面语句共三条操作，单条操作的频度为1，即使他有成千上万条操作，也只是个较大常数，这一类的时间复杂度为O(1)；
O(n)的算法是一些线性算法。例如：

sum=0；                 
for(i=0;i<n;i++)       
    sum++；

上面代码中第一行频度1，第二行频度为n，第三行频度为n，所以f(n)=n+n+1=2n+1。
根据守则：只要高阶项，不要低阶项目，常数项置为1，去除高阶项的系数：
所以时间复杂度O(n)。这一类算法中操作次数和n正比线性增长。

之后我们会讲到二分查找的时间复杂度是O(Log2N)；线性对数阶就是在LogN的基础上多了一个线性阶O(nlogn)；

普通嵌套循环，它的时间复杂度为O(n²)。

for (int i = 0; i < n; i++) {//执行n次
    for (int j = 0; j < n; j++) {//执行n次
    }
}

插入排序

下面说们说一个简单的排序算法࿰