数据结构--2.算法

2.算法

2.1算法定义

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

2.2算法的特征

1. 输入输出

   ​ 算法具有零个或多个输入，至少有一个或多个输出

2. 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线循环，并且每一个步骤在可接受的时间内完成

3. 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

4. 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

2.3算法设计的要求

1. 正确性

   ​ 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。

   

2. 可读性

   ​ 算法设计的另一目的是为了便于阅读，理解和交流

3. 健壮性

   ​ 当输入数据不合法时，算法也能够做出相关处理，而表示产生异常或莫名其妙的结果

4. 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

2.4算法效率的度量方法

1. 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。

2. 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

运行时所耗时间取决于下列元素

1. 算法采用的策略，方法
2. 编译产生的代码质量
3. 问题的输入规模
4. 机器执行指令的速度

第1条当然是算法好坏的根本，第2条要由软件来支持，第4条要看硬件性能。
也就是说，抛开这些与计算机硬件、软件有关的因素，一个程序的运行时间，依赖于算法的好坏和问题的输入规模。所谓问题输入规模是指输入量的多少。

2.5函数的渐近增长

判断一下，两个算法A和B哪个更好。假设两个算法的输入规模都是n,算法A要做2n+3次操作，你可以理解为先有一个n次的循环，执行完成后，再有一个n次循环，最后有三次赋值或运算，共2n+3次操作。算法B要做3n+1次操作。你觉得它们谁更快呢？

答案是不一定的

当n=1时，算法A效率不如算法B(次数比算法B要多一次）。而当n=2时，两者效率相同；当n>2时，算法A就开始优于算法B了，随着n的增加，算法A算法B越来越好了（执行的次数比B要少）。于是我们可以得出结论，算法A总体上要好过算法B。
此时我们给出这样的定义，输入规模n在没有限制的情况下，只要超过一个数值
N,这个函数就总是大于另一个函数，我们称函数是渐近增长的。

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)。

从图中可发现，当n足够大时，后面的+3，+1不影响算法变化。所以我们可以忽略加法常数



由上图可知，随着n的增大，与最高次项相乘的常数并不重要。

最高次项的指数大的，函数随着n的增长，结果也会增长特别快

判断一个算法效率时，函数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

2.6算法时间复杂度

1. 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。

   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

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。

      得到的结果就是大O阶。

2.7常见的时间复杂度

2.8最坏情况和平均情况

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

2.9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)=0(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。