数据结构与算法（一）：初识算法

最新推荐文章于 2020-10-04 22:45:27 发布

置顶 shj1995

最新推荐文章于 2020-10-04 22:45:27 发布

阅读量287

点赞数

分类专栏：数据结构和算法

本文链接：https://blog.csdn.net/u011862015/article/details/104886420

版权

数据结构和算法专栏收录该内容

1 篇文章 0 订阅

订阅专栏

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。”
------摘录来自: 程杰. “大话数据结构。”

我个人理解，算法就是解决某一类问题的方法。我们的前辈总结了非常多优秀的算法，比如用于排序的冒泡排序、选择排序、插入排序算法，用于查找的二分查找、散列查找、顺序查找算法等。

为什么要学习算法？

算法是编程的基础，不管学习什么语言，算法早晚要学的，它是我们进阶到高级开发工程师所必须要掌握的知识之一。
可以培养自己写出高效的代码
锻炼自己的逻辑思维能力
~~面试，找工作。~~ 🤦‍♂️

举一个简单的算法例子

大多数人都应该听说过著名数学家高斯的一个小故事：高斯在上小学的时候，老师布置了一个数学任务，让同学们对自然数从1到100求和。他很快就得出结果：5050。他的解释是这样的：

    num = 1 + 2 + 3 + ... + 99 + 100;
    num = 100 + 99 + ... + 3 + 2 + 1;
2 * num = 101 + 101 +... + 101 + 101; // 一共100个101相加
    num = 101 * 100 / 2 = 5050；

这道题如果用代码来实现的话，有两种解法：

普通解法

public int computeSum(int n) {
    int sum = 0;
    for (int i = 1; i < n; i++) {
        sum += i;
    }
    return num;
}

高斯的解法

public int computeSum(int n) {
    int sum =  (1 + n) * n / 2;
    return num;
}

即使我们没有学过算法，我们也能看出来，这两种计算方法，第二种显然更加的高效，但是如果让我们来评价第二种算法有多高效，它的时间复杂度是多少，空间复杂度是多少，可能就需要我们了解一些算法的度量方法之后，才能准确的表达出来。

下面我们从算法的定义，特性，要求，度量方法来完整的了解一下算法

算法的定义

“**算法是描述解决问题的方法。**算法（Algorithm）这个单词最早出现在波斯数学家阿勒·花刺子密在公元825年（相当于我们中国的唐朝时期）所写的《印度数字算术》中。如今普遍认可的对算法的定义是：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

算法有五个基本特性：输入、输出、有穷性，确定性和可行性。

**输入：**待解决问题的条件，一般来说，一个算法会有一个或多个输入参数。（也可以是零个输入参数，如：打印hello world）
输出： 待解决问题的结果，输出的形式可能是打印控制台，或者返回一个数据。一个算法一定至少有一个输出。
有穷性： 指的是解决问题的步骤，必须是有限的。从我们写代码角度来理解的话，就是不能出现死循环。这个有限的步骤，也是有一定边界的，如果我们写了一个算法，需要一百年才能计算出结果，虽然说步骤可能是有限的，但是就算一百年不断电，一百年之后谁能验证这个结果是否正确呢😂，所以说这个“有限”，一定要合理。
**确定性：**相同的输入只能有唯一的结果，算法的每一步骤的意义都被精确定义而无歧义；
**可行性：**算法必须可以被实现。也就是说它每一步都必须可以转换为程序上机运行，并且得到正确结果。

算法的要求

评价一个算法是否有效，是不是够好，有四个指标：正确性、可读性、健壮性、时间效率高和存储量低.

正确性：这是一个算法最基本的条件，它指的是，算法至少应该根据问题的描述和输入，得到一个正确的输出。
可读性：算法设计的另一目的是为了便于阅读、理解和交流。（个人理解，这个指标的优先级在其他三个指标之后）
健壮性：当输入不合法的参数，我们要保证我们的算法可以正常执行，并返回结果，而不是直接程序报错。
时间效率高和存储量低：这是评估一个算法是不是好的算法的指标，指的是这个算法执行的时间是不是足够短，消耗的内存是不是足够小。

总的来说，一个有效算法必须满足正确性和健壮性，如果同时能满足时间效率高和存储量低以及可读性，那么它就是一个有效的，并且是一个优秀的算法。

算法的度量方法

算法的度量方法有两种：1. 事后统计法；2. 事前估算法

事后统计法

事前统计法，主要是通过一批固定的测试数据，让不同算法的程序去执行，得到结果后，统计出不同算法的结果进行统计分析来判断不同算法的效率高低。
虽然这样也可以计算出算法的效率高低。但是它的缺点也很明显：

硬件要求完全一致；
测试数据设计困难，测试数据必须考虑的足够全面；
如果算法比较复杂，这个统计的时间可能会需要很久；

所以一般来说，我们一般不考虑用这种方法来度量算法

事前估算法

先来看一下影响程序执行效率的因素：1.硬件；2.编译器；3.程序指令的执行次数；4.问题的条件和输入；
通过分析我们发现，第1，2，4个因素都是算法无法影响的，所以我们只关注程序代码，那么我们再回到上面那道题，计算1-100的和，我们看一下两种算法的程序代码

普通解法

public int computeSum(int n) {
    int sum = 0; //执行1次
    for (int i = 1; i < n; i++) { //int i = 1执行1次，i < n 执行 n 次，i++ 执行 n 次
        sum += i; //执行n次
    }
    return num;
}

整个程序代码一共执行了 1+1+n+n+n+n=4n+2次
2. 高斯的解法

public int computeSum(int n) {
    int sum =  (1 + n) * n / 2; // 执行1次
    return num;
}

整个程序代码一共执行了 1次

所以，显而易见，1 < 4n+2,第二种算法执行效率更高，第一种的时间复杂度，我们记作O(n),表示线性阶，第二种时间复杂度，我们计作O(1)，表示常数阶；

算法的时间复杂度

“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。
这样用大写O( )来体现算法时间复杂度的记法，我们称之为大O记法。一般情况下，随着n的增大，T(n)增长最慢的算法为最优算法。”
------摘录来自: 程杰. “大话数据结构。”

简单理解，算法的时间复杂度和语句执行的次数紧密相关，如上面的提到的普通解法的算法执行次数:4n+2,我们用O(n)表示这个算法的时间复杂度。为什么不是O(4n+2)，或者O(4n)? 接着看下面的推导大O阶的方法：

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。取最高阶的项并忽略其常系数
------摘录来自: 程杰. “大话数据结构。”

接下来说为什么上面那个算法的执行次数是4n+2，但它的时间复杂度是O(n),
根据推导大O的方法1，可以得到 4n + 2 = O(4n + 1)；
根据推导大O的方法2，只保留最高阶，4n + 2 =O(4n);
根据推导大O的方法3，最高阶项是4n，那么4n相乘的常熟是4，就需要除以4，最终结果是 4n + 2 = O(4n / 4) = O(n);

下面是常见的时间复杂度及例子

函数阶	非正式术语	执行次数的例子
O(1)	常数阶	1,2,12
O(n)	线性阶	4n+2,2n+1,n+10
O(n²)	平方阶	3n2+2n+1
O(logn)	对数阶	5log2n+20
O(nlogn)	nlogn阶	2n+3nlog2n+19
O(n³)	立方阶	6n³+2n+3n+4
O(2ⁿ)	指数阶	2ⁿ
O(n!)	–	无
O(nⁿ)	–	无

最后两种时间复杂度很少用到，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(n²) < O(n³) < O(2ⁿ) < O(n!) < O(nⁿ)

空间复杂度

“一般情况下，一个程序在机器上执行时，除了需要存储程序本身的指令、常数、变量和输入数据外，还需要存储对数据操作的存储单元。若输入数据所占空间只取决于问题本身，和算法无关，这样只需要分析该算法在实现时所需的辅助单元即可。若算法执行时所需的辅助空间相对于输入数据量而言是个常数，则称此算法为原地工作，空间复杂度为O(1)”
------摘录来自: 程杰. “大话数据结构。”

空间复杂度一般我们也用大O来表示，问题的输入、条件、输出变量取决于问题，所以不算做算法本身的存储空间，算法的存储空间只和其他的辅助变量有关。只要辅助变量的数量是常数，也就是说空间复杂度为O(1),那么这个算法就可以称为原地工作，原地工作这个词在leetcode题目中可能会出现。

对于算法的空间复杂度一般来说讲的比较少，计算机内存越来越大了，只要不是特别离谱，我们一般情况下，可能会故意通过空间来换时间，像系统设计中的缓存，就是很好的例子，所以空间复杂度我们大概了解就行，不过多在介绍了。