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
-
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
-
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
-
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
2.3算法设计的要求
-
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。
-
可读性
算法设计的另一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,算法也能够做出相关处理,而表示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
2.4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
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
-
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
-
推导大O阶方法
-
用常数1取代运行时间中的所有加法常数。
-
在修改后的运行次数函数中,只保留最高阶项。
-
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。