数据结构02：算法

1. 算法的定义

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。

2. 算法的特性

• 输入输出：算法具有0个或多个输入，至少有一个或多个输出
• 有穷性：指算法在执行有限的步骤之后，自动结束而不会出现无限循环，并且每一个步骤在可接受的时间内完成。
• 确定性：算法的每一步骤都具有确定的含义，不会出现二义性。
• 可行性：算法的每一步都必须是可行的，也就是说，每一步都能够通过执行有限次数完成。

3. 算法设计的要求

• 正确性：算法的正确性是指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。
• 可读性：算法设计的另一个目的是为了便于阅读、理解和交流。
• 健壮性：当输入数据不合法时，算法也能做出相关处理，而不是产生异常或莫名其妙的结果。
• 时间效率高和存储量低：设计算法应该尽量满足时间效率高和存储量低的需求。

4. 算法效率的度量方法

• 事后统计方法：这种方法主要是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，从而确定算法效率的高低。
• 事前分析估算方法：在计算机程序编制前，依据统计方法对算法进行估算。

5. 函数的渐近增长

• 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)。
• 判断一个算法的效率时，函数中的常数和其他次要项常常可以忽略，而更应该关注主项（最高阶项）的阶数。

6. 算法时间复杂度

6.1 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。

6.2 推导大O阶方法

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。
4. 得到结果就是大O阶。

6.3 常数阶

int sum = 0, n = 100;       /* 执行一次 */
sum = (1 + n) * n / 2;      /* 执行一次 */
printf("%d", sum);          /* 执行一次 */

这个算法的运行次数函数是f(n) = 3。根据推导大O阶的方法，第一步就是把常数项3改为1。在保留最高阶项时发现，它根本没有最高阶项，所以这个算法的时间复杂度为O(1)。

6.4 线性阶

int i;
for(i = 0; i < n; i++) {
    /* 时间复杂度为O(1)的程序步骤序列 */
}

上面这段代码时间复杂度为O(n)。

6.5 对数阶

int count = 1;
while(count < n) {
    count = count * 2;
    /* 时间复杂度为O(1)的程序步骤序列 */
}

由于每次count乘以2之后，就距离n更近了一分。也就是说，有多少个2相乘后大于n，则会退出循环。由$2^x = n$ 得到 $x = \log_2 n$。所以这个循环的时间复杂度为O(logn)。

6.6 平方阶

int i, j;
for(i = 0; i < n; i++) {
    for(j = 0; j < n; j++) {
        /* 时间复杂度为O(1)的程序步骤序列 */
    }
}

循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。

6.7 常见的时间复杂度

常用的时间复杂度所耗费的时间从小到大依次是：

6.8 最坏情况与平均情况

最坏情况运行时间是一种保证，那就是运行时间将不会再坏了。在应用中，这是一种最重要的需求，通常，除非特别指定，我们提到的运行时间都是最坏情况的运行时间。
平均运行时间是所有情况中最有意义的，因为它是期望的运行时间。

6.9 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。