算法效率的度量方法

影响算法效率的情况：

1.算法采用的策略，方案
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
所以，抛开计算机硬件，软件，有关因素，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（输入规模是指，输入量）

算法的效率高一般是指算法的执行时间，其判断算法的效率方法有：（研究算法的复杂度，侧重是研究算法随着输入规模扩大，增长量的一个抽象，分析一个算法运行时间，重要的是把基本操作的数量和输入模式关联起来）

1）事后统计法这种方法主要通过设计好的测试程序和数据，利用计算器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（缺点，必须依据算法一对一编写测试程序，花销大，且如果算法效率低，则赔了夫人又折兵）

函数渐进增长：

函数渐进增长：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)的增长渐进快于g(n)

若是比较2n+3和3n+1的优势，则n<2时3n+1效率更好，n>2时2n+3更好，常数3和1影响不大情况下，一般可以忽略
同理，若是4n+8和2n^2+1,，与最高次项相乘的常数也不重要
同理，2n^2+3n+1和2n3+1，随着n的增长，3n+1可以忽略
所以判断一个算法的效率，我们更应该去关注主项的阶数

算法的时间复杂度的定义

算法的时间复杂度的定义：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))，他表示，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，称作算法的渐进时间复杂度，简称时间复杂度，其中f(n)是问题规模n的某个函数。

O()称作大O记法，一般来说，随着输入规模n的增大，T(n)增长最慢的算法为最优算法

其中：
用常数1取代运行时间中的所以加法常数
在修改后的运行次数的函数中，只保留最高项
如果最高项存在且不是1，那么去除与这个最高项相乘的常数
得到的就是算法的时间复杂度

常用的事件复杂度所耗费时间大小依次是：

O(1)<O(log n)<O(n)<O(n* log n)<O(n^2)<O(n ^3)<O(2 ^n)<O(n!)<O(n ^n)

最坏运行时间和平均运行时间

平均运行时间是期望的运行时间
最坏运行时间是一种保证。通常除非特定情况，我们提到的运行时间都是最坏情况的运行时间。

算法空间复杂度

一般可以通过空间换时间或者时间换空间的方法满足自己的需求

算法的空间复杂度通过计算算法所需的储存空间实现，算法的空间复杂度的公式记作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

通常我们用空间复杂度指空间需求，用时间复杂度来指运行时间的需求，直接求复杂度，就是指时间复杂度。