“抽象”《大话数据结构》第二章

到目前为止，对于前两章节，先是说明白什么是数据结构，第二章就说什么是算法，很有意思，i了i了。

什么是算法？

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，并且每条指令表示一个或多个操作。

算法的特性VS算法设计的要求

|

算法的特性	算法设计的要求
输入输出：算法可以有0个输入或者多个输入，但却一定要有至少一个输出。	正确性：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。
有穷性：算法执行的步骤有限并且时间长度可以接受
确定性：算法的每一步都明确具体且意义唯一
可行性：算法每一步都能通过执行有限次数完成，能转化为程序上机运行。
	可读性：为了让算法便于阅读、理解和交流。
–	健壮性：当输入不合法时，算法也能做出相关处理，而不是产生异常或者莫名其妙的结果。
	时间效率高和存储量低：算法运行时间和运行所需要的空间应尽量少。

从表格可以看出，正确的算法应该是具备算法的基本特性的。但正确的算法在使用上分为4个层次：
1 没有语法错误
2 合法输入能产生期望的结果。
3 非法输入也能产生满足规格说明的结果
4 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。

算法效率的度量方法

事后统计方法

这是指在算法程序已经设计出来，这时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。

事前分析估算方法

在计算机程序编写前，依据统计方法对算法进行估算。——在这个估算过程中不考虑编译器和硬件条件的影响。

函数渐近增长

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) 。
其中 n 代表输入规模，函数 f(n) 和 g(n) 是指在 n 输入规模下，代码语句执行的次数的函数。

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，进而确定 T（n）的数量级。这就是算法的时间复杂度。
记做： T（n） = O( f(n) )。这个 f(n) 是问题规模的某个函数或者说函数的大头部分，跟前面的函数渐近增长里面的 f(n)不是同一个。

常数阶

通常出现在顺序结构里面。只要代码执行的次数跟 n 无关，那么他的时间复杂度均归为O(1)。

线性阶

通常在单循环结构里面，循环体里面的代码执行n次或者循环体里面有两行需要执行的代码，即2n，甚至有三行，即3n，那么他的时间复杂度均归为O(n)。

对数阶

循环体里面出现如：count = count * 2类似的语句，就会出现对数阶。

平方阶

两个循环嵌套啦

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(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。