目录
什么是算法
算法好坏的评判标准
实例讲解时间复杂度
斐波那契数算法剖析
算法的优化方向
一 什么是算法
引用百度百科对算法的解释 算法
算法(Algorithm)是指解题方案的准确而完整的描述,是一系列解决问题的清晰指令,算法代表着用系统的方法描述解决问题的策略机制。也就是说,能够对一定规范的输入,在有限时间内获得所要求的输出。如果一个算法有缺陷,或不适合于某个问题,执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。
例子
总结:算法是用于解决特定问题的一系列的执行步骤,使用不同算法,解决同一个问题,效率可能相差非常大。
二 如何评判一个算法的好坏
求 1+2+3+...+n 的和
2.1 事后统计法
比较不同算法对同一组输入的执行处理时间
上述方案有明显的缺点
1.执行时间严重依赖硬件以及运行时各种不确定的环境因素
2.必须编写相应的测试代码
3.测试事件的选择比较难保证公正性
2.2 时间复杂度+空间复杂度
一般从正确性,可读性,健壮性(对不合理输入的反应能力和处理能力)等维度来评估算法的优劣。
在满足这些条件的前提下,再比较时间复杂度和空间复杂度
时间复杂度(time complexity):估算程序指令的执行次数(执行时间)
空间复杂度(space complexity):估算所需占用的存储空间
2.3 大O表示法
一般用大O表示法来描述复杂度,它表示的是数据规模n对应的复杂度
忽略常数,系数,低阶
0 >> O(1)
2n + 3 >> O(n)
n2 + 2n + 6 >> O(n2)
4n3 + 3n2 + 22n + 100 >> O(n3)
对数阶一般省略底数
因为 log2 n = log2 9 * log9 n,所以
log2 n,log9 n统称为 logn
注意:大O表示法仅仅表示一种粗略的分析模型,是一种估算,能帮助我们短时间内了解一个算法的执行效率。
2.4 常见的复杂度
执行次数复杂度非正式术语
12
O(1)
常数阶
2n + 3
O(n)
线性阶
4n2 + 2n + 6
O(n2)
平方阶
4log2 n + 25
O(logn)
对数阶
3n + 2nlog3 n + 15
O(nlogn)
nlogn阶
4n3 + 3n2 + 22n + 100
O(n3)
立方阶
2n
O(2n)
指数阶
复杂度比较:
O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) < O(2n)
可以借助函数生成工具对比复杂度的大小
函数图像绘制工具
2.5 复杂度图形比较
数据规模较小时
image.png
数据规模较大时
image.png
2.6 实例讲解时间复杂度
test1 时间复杂度 O(1)
test2 时间复杂度 O(n)
test3 时间复杂度 O(n^2)
test4 时间复杂度 O(n)
test5 时间复杂度 O(logn)
test6 时间复杂度 O(logn)
test7 时间复杂度 O(nlogn)
2.6.2 多个数据规模的情况
时间复杂度为 O(n + k)
2.7 求第n个斐波那契数(fibonacci number)
摘自百度百科的解释 斐波那契数
斐波那契数,亦称之为斐波那契数列(意大利语: Successione di Fibonacci),又称黄金分割数列、费波那西数列、费波拿契数、费氏数列,指的是这样一个数列:1、1、2、3、5、8、13、21、……在数学上,斐波那契数列以如下被以递归的方法定义:F0=0,F1=1,Fn=Fn-1+Fn-2(n>=2,n∈N*),用文字来说,就是斐波那契数列由 0 和 1 开始,之后的斐波那契数列系数就由之前的两数相加。
2.7.1 算法一
2.7.2 算法二
TimeTool.m
比较两个算法的时间
n = 35时
image.png
n = 44时
image.png
经过大量测试,发现当 n < 35的时候,两个算法的执行时间相差不大,但是随着n的增加,相差时间越来越明显了。
2.7.3 两个算法的时间复杂度分析
fib1函数的时间复杂度分析
image.png
fib2函数的时间复杂度分析
循环n次,所以时间复杂度为O(n)
三 算法的优化方向
用尽量少的存储空间
用尽量少的执行步骤(执行时间)
根据情况,可以空间换时间或时间换空间
四 扩展
一个用于学习算法的网站