带你领略算法艺术

什么是算法？
方程不陌生吧？通过解方程来获得正确的未知值。我们就可以把解方程简单的理解为算法。当然算法不仅仅是如此，不着急，我为你娓娓道来。
先看两段代码：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-csU7ecyd-1573370591032)(images\17)]

这两段代码都可以称之为算法，因为分别可以解决两个数相加和从1加到n的问题。算法并不一定要非常复杂，小到一行代码，多到上万行代码，只要能解决特定问题，就是算法。

如何评估算法优劣

使用不同算法，解决同一个问题，效率可能相差非常大

现有两个求斐波那契数 (fibonacci number) 的算法

（斐波那契数列：1 1 2 3 5 8 ……）
这里

public static int fib1(int n) {
	if (n <= 1) return n;
	return fib1(n - 1) + fib1(n - 2);
}

public static int fib2(int n) {
	if (n <= 1) return n;
		
	int first = 0;
	int second = 1;
	for (int i = 0; i < n - 1; i++) {
		int sum = first + second;
		first = second;
		second = sum;
	}
	return second;
}

这两个算法哪个更优呢？

如果单从执行效率上进行评估，可能会想到这么一种方案

比较不同算法对同一组输入的执行处理时间

这种方案也叫做：事后统计法

我们的做法是：

public static void main(String[] args) {
	int n = 45;//求第45个斐波那契数
		
	TimeTool.check("fib1", new Task() {
		public void execute() {
			System.out.println(fib1(n));
		}
	});//5.815秒
	
	TimeTool.check("fib2", new Task() {
		public void execute() {
			System.out.println(fib2(n));
		}
	});//0.0秒
}

上述方案有比较明显的缺点

执行时间严重依赖硬件以及运行时各种不确定的环境因素

必须编写相应的测算代码

测试数据的选择比较难保证公正性 （n=100时可能第一种算法时间更短，n=200时可能第二种算法时间更短）

一般从以下维度来评估算法的优劣

正确性、可读性、健壮性（对不合理输入的反应能力和处理能力）

时间复杂度（time complexity）：估算程序指令的执行次数（执行时间）

空间复杂度（space complexity）：估算所需占用的存储空间

我们用这种方案评估一下计算1+2+…+n的算法

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xMAFnksJ-1573370591033)(images\18)]

显然第二种算法更好。难道是因为第二种方法代码更短吗？斐波那契数列的例子已经告诉我们并不是代码越短越好。这个例子中第二个算法只需要三步运算就可以解决问题，而第一种需要循环n次。首先都满足正确性、可读性、健壮性的条件，然后从时间复杂度来讲，假定一步运算的执行时间的一定的，我们考察一下大致需要执行多少次指令，就可以比较出两种算法的时间长短；再从空间复杂度考虑，需要的变量越少、开辟的存储空间越小，算法更好。

大O表示法

一般用大O表示法来描述复杂度，它表示的是数据规模 n 对应的复杂度

方法步骤：

（1）估算时间复杂度/空间复杂度(主要是时间复杂度)

（2.1）忽略常数、系数、低阶

​ $9$>> O(1)

​ $2n+6$ >> O(n)

​ $n^2+2n+6$ >> O($n^2$)

​ $4n^3+3n^2+22n+100$ >> O($n^3$)

(2.2) 对数阶一般省略底数

​ $lo{g}_{2}n=lo{g}_{2}9+lo{g}_{9}n$ (任意底数的对数可通过乘以一个常数相互转化)

​ 所以 $lo{g}_{2}n$、$lo{g}_{9}n$ 统称为 $logn$

注意：大O表示法仅仅是一种粗略的分析模型，是一种估算，能帮助我们短时间内了解一个算法的执行效率

计算下面几段代码的时间复杂度

public static void test1(int n) {
    //1（进行一次判断操作）
	if (n > 10) { 
		System.out.println("n > 10");
	} else if (n > 5) { // 2
		System.out.println("n > 5");
	} else {
		System.out.println("n <= 5"); 
	}
	// 1（定义一次i) + 4(i累加四次) + 4（判断i<4四次) + 4（循环体一条语句执行四次）=9
	for (int i = 0; i < 4; i++) {
		System.out.println("test");
	}
	// 大O表示法时间复杂度O(1)
}

public static void test2(int n) {
	// 1(定义一次i）+ 3n（i累加n次+判断i<n n次+循环体一条语句执行n次)=1+3n
	for (int i = 0; i < n; i++) {
		System.out.println("test");
	}
    // 大O表示法时间复杂度O(n)
}

public static void test3(int n) {
	// 1(定义一次i） + 2n（i累加n次+判断i<n n次) + n(外层循环体语句执行n次) * (1(定义一次j） + 3n（j累加n次+判断j<n n次+内层循环体一条语句执行n次))=3n^2 + 3n + 1
	for (int i = 0; i < n; i++) {
		for (int j = 0; j < n; j++) {
			System.out.println("test");
		}
	}
    // 大O表示法时间复杂度O(n^2)
}

public static void test4(int n) {
	// 8 = 2^3
	// 16 = 2^4
		
	// 3 = log2(8)
	// 4 = log2(16)
		
	// 执行次数 = log2(n)
	while ((n = n / 2) > 0) {
		System.out.println("test");
	}
    // 大O表示法时间复杂度O(logn)
}

public static void test5(int n) {
	// log5(n)
	while ((n = n / 5) > 0) {
		System.out.println("test");
	}
    // 大O表示法时间复杂度O(logn)
}

public static void test7(int n) {
	// 1(定义一次i） + 2*log2(n)(i*2运算次数) + log2(n)（外层循环执行次数） * (1 + 3n)（内层循环执行次数）
	for (int i = 1; i < n; i = i * 2) {
		// 1 + 3n
		for (int j = 0; j < n; j++) {
			System.out.println("test");
		}
	}
    // 1 + 3*log2(n) + 2 * nlog2(n)
	// 大O表示法时间复杂度O(nlogn)
}

$O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2n)<O(n!)<O(n^n)$

可以借助函数生成工具对比复杂度的大小

https://zh.numberempire.com/graphingcalculator.php

因为呢，篇幅有限，在此不再过多讲解。总而言之，现今大数据时代，算法的使用和研发越来越受人瞩目。算法也逐渐进入人们的生活，你可能都还没注意到，你所使用的天气预报app，使用的理财软件等等都是通过算法而实现。所以，加油coder！

如果您想提升自己，学习更多算法、高级编程语言技巧，这里有免费的相关学习资料，欢迎加微信：19950277730获取更多技术提升秘籍。这里不仅有志同道合的小伙伴，更有无数免费编程技巧、学习视频和资料，加上微信来一起探讨学习技术吧！！