算法效率的度量方法

算法是为求解一个问题需要遵循的，被清楚地指定的简单指令的集合。对于一个问题，一旦某种算法给定并且（以某种方式）被确定是正确的，那么重要的一步就是确定该算法将需要多少诸如时间或空间等资源量的问题。如果一个问题的求解算法竟然需要长达一年时间，那么这种算法就很难能有什么用处。同样，一个需要几吉字节(gigabyte）内存的算法在当前的大多数机器上也是没法使用的。

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。

但这种方法显然是有很大缺陷的:

必须依据算法事先编制好程序，这通常需要花费大量的时间和精力。如果编制出来发现它根本是很糟糕的算法，不是竹篮打水一场空吗?时间的比较依赖计算机硬件和软件等环境因素，有时会掩盖算法本身的优劣。

算法的测试数据设计困难，并且程序的运行时间往往还与测试数据的规模有很大关系，效率高的算法在小的测试数据面前往往得不到体现。比如10个数字的排序，不管用什么算法，差异几乎是零。而如果有一百万个随机数字排序，那不同算法的差异就非常大了。那么我们为了比较算法，到底用多少数据来测试，这是很难判断的问题。

事前分析估计方法

在计算机程序编制前，依据统计方法对算法进行估算。
经过分析，我们发现，一个用高级程序语言编写的程序在计算机上运行时所消耗的时间取决于下列因素;
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。所谓向题输入规模是指输入量的多少。

测定运行时间最可靠的方法就是计算对运行时间有消耗的基本操作的执行次数。运行时间与这个计数成正比。我们不关心编写程序所用的程序设计语言是什么，也不关心这些程序将跑在什么样的计算机中，我们只关心它所实现的算法。这样，不计那些循环索引的递增和循环终止条件、变量声明、打印结果等操作，最终，在分析程序的运行时间时，最重要的是把程序看成是独立于程序设计语言的算法或一系列步骤。

我们在分析一个算法的运行时间时,重要的是把基本操作的数量与输入规模关联
起来，即基本操作的数量必须表示成输入规模的函数。

函数的渐近增长

我们现在来判断一下，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?

经过简单的计算就可以得知当n小于2是，B算法优于A算法，当n等于2时，两者效率相同，当n大于2时A算法就优于B算法了。于此我们可以得出结论，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 )

从中我们发现，随着n的增大，后面的 +3还是+1其实是不影响最终的算法变化的，例如算法’与算法B，所以，我们可以忽略这些加法常数。

次数	算法A (2n+3)	算法B(3n+1)	算法C(n2)	算法D(2n2+3n+1)	算法E(n3)	算法F(n3+2n2)