第二章 算法

算法：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。

算法定义

算法是描述解决问题的方法。算法(algorithm)这个单词最早出现在波斯数学家阿勒·花剌子密在公元825年(相当于我国唐朝)所写的《印度数字算术》中。如今普遍认可的对算法的定义是：
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。

算法的特性

1、输入输出：算法具有零个或多个输入
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限循环，并且每一个步骤在可接受的时间内完成。
3、确定性：算法的每一个步骤都具有确定的含义，不会出现二义性
4、可行性：算法的每一步都是可行的，也就是说，每一步都能通过执行有限次数完成。

算法的设计要求

1、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。
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，算法也能做出相关的处理，而不是产生异常或明明奇妙的结果
4、时间效率高和存储率低：设计算法应该尽量满足时间效率高和存储率低的需求。

算法的度量方法

1、事后统计法
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
在计算机程序便之前，依据统计方法对算法进行估算。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。所谓的输入规模是指输入量的多少。
例如：
第一种算法

int i,sum =0, n=100; //执行1次
for(i=1;i<= n;++i){  //执行n+1次
	sum=sum+i;       //执行n次
}
printf("%d",sum);    //执行1次

第二种算法

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

算法好坏显而易见
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。

函数的渐近增长

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n>N,f(n)总是比g(n)大，那么，我们说f()的增长渐近快于g(n)。
例如算法C：4n+8 ； 算法D：2n^2 +1
后面的+8 和 +1 其实不行影响最终的算法变化，所以我们可以忽略这些加法常数。
甚至我们在观察发现，哪怕去掉与n相乘的常数，这样的结果也没发生改变，也就是说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，结果也会变得增长特别快。

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(最高项)的阶数。

某个算法随着n的增大，它会越来越优于另一个算法，或者越来越差于另一算法。

算法时间复杂度

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。
这样用大写O来体现算法时间复杂度的记法，我们称之为大O记法。

推导大O阶方法

推导大O阶
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，只保留最高项。
3、如果最高阶项目存在且不是1，则去除与这个项相乘的常数。得到的结果就是大O阶。

常见的时间复杂度

O(1) == 常数阶==<O(logn) == 对数阶==<O(n) == 线性阶==<O(nlogn) == 线性对数阶==<O(n²) == 平方阶==<O(n³) 等等

最坏情况与平均情况

最坏运行时间是一种保证，那就是运行时间不会再坏了。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。

算法的空间复杂度

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所占储存空间的函数。