1.2 数据结构——算法和算法分析

xy_L

已于 2022-09-24 23:35:31 修改

阅读量835

点赞数 2

分类专栏：数据结构

于 2022-07-20 20:11:41 首次发布

本文链接：https://blog.csdn.net/weixin_45523296/article/details/125882853

版权

数据结构专栏收录该内容

42 篇文章 6 订阅

订阅专栏

1.2.1 算法的定义

对特定问题求解方法和步骤的一种描述，它是指令的有限序列，其中每个指令表示一个或多个操作；简单来说，算法就是解决问题的方法和步骤。

1.2.2 算法的描述

1、自然语言：英文、中文。

2、流程图：传统流程图、NS流程图。

3、伪代码：类语言。

4、程序代码。

1.2.3 算法与程序

算法：是解决问题的一种方法或一个过程，考虑如何将输入转换成输出。

程序：是用程序设计语言对算法的实现。

程序 = 数据结构 + 算法。

1.2.4 算法的五个特性

1、有穷性：一个算法必须在执行有穷步骤后结束，并且每一步都在有穷时间内完成。

2、确定性：算法中的每一条指令必须有确切的含义、无二义性，在任何条件下，只有一条执行路径，即对于相同的输入只能得到相同的输出。

3、可行性：算法的每一步必须是可行的，每一步都可在执行有限次后完成。

4、输入：一个算法有0个或多个输入。

5、输出：一个算法有0个或多个输出。

1.2.5 算法设计的要求

1、正确性：算法的正确性是指算法应该具有输入、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。

主要分为以下四个层次：

（1）算法程序没有语法错误；

（2）算法程序对于合法的输入能够产生满足要求的输出；

（3）算法程序对于非法的输入能够得出满足规格说明的结果；

（4）算法程序对于精心选择的，甚至刁难的测试数据都有满足要求的输出。

2、可读性：算法的设计的另外一个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，算法也能做出相关处理，而不是产生异常或莫名其妙的结果。

4、高效性：设计算法应该尽量满足时间效率高和存储量低的要求。

1.2.6 算法效率的度量方法

算法效率主要有以下两个方面考虑：

1、时间效率：指执行过程所耗费的时间。

2、空间效率：指执行过程中所耗费的存储空间。

时间效率和空间效率有时候是矛盾的。

算法效率的度量：

1、事后度量方法：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。

这种方法有很大的缺点：

（1）必须依据算法事先编制好程序，这需要花费大量的时间和精力。

（2）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。

（3）算法的测试数据设计困难，并且程序运行实际爱你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。

2、事前度量方法：在计算机程序编制钱，依据统计方法对算法进行估算。

算法运行时间 = 一个简单操作所需的时间*简单操作次数。

即算法中每条语句的执行时间之和：

算法运行时间 = Σ每条语句的执行次数*该语句执行一次所需的时间。

每条语句的执行次数又称为语句频度。

算法运行时间 = Σ每条语句频度*该语句执行一次所需的时间。

设每条语句的执行一次所需的时间为单位时间，所以我们计算算法运行时间只需考虑每条语句的频度之和。

1.2.7 算法时间复杂度的渐进表示法

为了方便比较不同算法的时间效率，我们仅比较它们的数量级。

age: $T1 = 10n^2$ 和 $T2 = 5n^3$

若有某个辅助函数 $f(n)$ ，使得当n趋近于无穷大时， $T(n)/f(n)$ 的极限值为不等于0的常数，则称 $f(n)$ 是 $T(n)$ 的同数量级函数。记作 $T(n)=O(f(n))$ ，称 $O(f(n))$ 为算法的渐进时间复杂度（O是数量级的符号），简称时间复杂度。

分析算法时间复杂度的基本方法：

1、找出语句频度最大的那条语句作为基本语句；

2、计算基本语句的频度得到问题规模n的某个函数f(n)；

3、取其数量级用符号"O"表示。

age 1:

x = 0; 
y = 0;
for (int k = 0; k < n; k++)        //执行n+1次
    x++;                           //执行n次
for (int i = 0; i < n; i++)        //执行n+1次
    for(int j = 0; j < n; j++)     //执行n(n+1)次
        y++;                       //执行n*n次

这段代码中可以得到： $f(n) = n(n+1)$ ，根据 $f(n)$ 可得： $T(n) = O(n^{2})$

age 2:

for ( int i = 1; i <= n; i++)
    for (int j = 1; j <= i; j++)
        for (int k = 1; k <= j; k++)
            x++；

语句频度 = $\sum_{i=1}^{n} \sum_{j=1}^{i} \sum_{k=1}^{j} 1$ = $\sum_{i=1}^{n} \sum_{j=1}^{i} j$ = $\sum_{i=1}^{n} \frac{i(i+1)}{2}$ = $\frac{1}{2}(\frac{n(n+1)(2n+1)}{6}+\frac{n(n+1)}{2})$ = $\frac{n(n+1)(n+2)}{6}$

所以： $T(n) = O(n^{3})$

age 3:

i = 1;
while (i <= n)
    i = i*2;

设 i = i * 2;执行x次，可得： $2^{x} <= n$ ，即 $x < = \log_{2}n$

即 $f(n) <= \log_{2}n$ ，取最大值 $f(n) = \log_{2}n$

所以时间复杂度： $T(n) = O(\log_{2}n)$

算法时间复杂度：

最坏时间复杂度：指在最坏情况下，算法的时间复杂度。

平均时间复杂度：指在所有可能输入实例在等概率出现的情况下，算法的期望运行时间。

最好时间复杂度：指在最好情况下，算法的时间复杂度。

一般情况下是考虑在最坏情况下的时间复杂度，以保证算法的运行时间不会比它更长。

算法时间效率的比较

时间复杂度T(n)按数量级递增顺序为：

时间复杂度从低到高
常数阶	对数阶	线性阶	线性对数阶	平方阶	立方阶	...	K次方阶	指数阶
$O(1)$	$O(\log_{2}n)$	$O(n)$	$O(n\log_{2}n)$	$O(n^{2})$	$O(n^{3})$		$O(n^{k})$	$O(2^{n})$