《数据结构与算法之美》专栏学习笔记_02

本系列是极客时间中前 Google 工程师王争《数据结构与算法之美》专栏的学习笔记，想加强数据结构及算法能力的同学可以直接购买此专栏，数据结构与算法之美跳转链接

什么是好算法？

这个问题是在邓俊辉老师的数据结构和算法课上看到的，他的课在B站上有，讲的非常细致清晰，但是对我来说太难，坚持不了，有兴趣的同学可以去看。

什么是好算法呢？正确，即符合语法，能够编译、链接；健壮，即能辨别不合法的输入并做适当处理，而不致非正常退出；可读，即结构化+准确命名+注释......这些方面对于算法来说都很重要，但都不是这里最最关注的，好算法最关注的是效率（efficiency），就是说速度尽可能快，存储空间尽可能少。哈哈，这是啥意思呢？邓俊辉老师讲了，“既要马儿快快跑，又要马儿吃的少”。这是非常现实接地气的事儿哈，现实中资源是非常有限的，那么提高效率，优化资源使用是创新之外的重中之重。1976年，沃斯（N. Wirth）讲了程序等于算法加数据结构，这是我们经常听到的一句话。邓俊辉老师给出新的公式，即算法加上数据结构的和再乘以效率就等于计算，那么，效率越高的话，最后的结果值越高，值越高，对这个计算的评价越高。

Algorithms + Data Structures = Programs    //N. Wirth, 1976
(Algorithms + Data Structures) * Efficiency = Computation    //邓俊辉

王争老师见解也是一样的，“数据结构和算法本身解决的事‘快’和“省”的问题，即如何让代码运行得更快，如何让代码更省存储空间。”

庖丁解牛——复杂度分析

执行效率是算法最重要的考量指标，那么如何衡量你我编写的算法代码执行效率呢？那就是复杂度分析，它分为时间复杂度分析和空间复杂度分析。要想掌握复杂度分析到庖丁解牛的地步，就需要先认识规律然后多练。

我们需要一个不用具体的测试数据来测试，就可以粗略地估计算法的执行效率的方法。这就是要引进的非常重要的表示法——大O记号。

大O记号是从哪里来的呢？是从T(n)来的，T(n)即所有代码的执行时间，而每行代码的执行次数是f(n)，所有代码的执行时间和每行代码的执行次数成正比。

这里有一个规律出现，公式来了：

 n表示数据规模大小，f(n)表示每行代码执行的次数总和。公式中的O，表示代码的执行时间T(n)与f(n)表达式成正比。

这就是大O时间复杂度表示法。大O记号实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以也叫渐进时间复杂度（asymptotic time complexity），简称时间复杂度。

时间复杂度分析有三种比较实用的方法：

复杂度量级

具体的案例分析看课程里老师的详解。复杂度也叫渐进复杂度，包括时间复杂度和空间复杂度，用来分析算法执行效率与数据规模之间的增长关系，可粗略地表示，越高阶复杂度的算法，执行效率越低。常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O（n^2）。复杂度分析并不难，关键在于多练。以后就跟着老师的思路学习、练习，嗯，达到庖丁解牛的程度。

时间复杂度分析四方面 

 首先看前三个，最好情况时间复杂度，就是在最理想的情况下，执行这段代码的时间复杂度；最坏情况时间复杂度，就是在最糟糕的情况下，执行这段代码的时间复杂度；平均时间复杂度应该叫加权平均时间复杂度或者期望时间复杂度。实际上，在大多数情况下，我们并不需要区分最好、最坏、平均情况时间复杂度三种情况。很多时候，我们使用一个复杂度就可以满足需求了。只有同一块代码在不同的情况下，时间复杂度有量级的差距，我们才会使用这三种复杂度表示法来区分。

你说，还有一个均摊时间复杂度呢。平均复杂度只在某些特殊情况下才会用到，而均摊时间复杂度应用的场景比它更加特殊、更加有限。这种情况，我们不需要像平均复杂度分析方法那样，找出所有的输入情况及相应的发生概率，然后再计算加权平均值。这事我们引进一种更加简单的分析方法：摊还分析法。大概是这么回事儿，对一个数据结构进行一组连续操作中，大部分情况下时间复杂度都很低，只有个别情况下时间复杂度比较高，而且这些操作之间存在前后连贯的时序关系，这个时候，我们就可以将这一组操作放在一块儿分析，看是否能将较高时间复杂度那次操作的耗时，平摊到其他那些时间复杂度比较低的操作上。而且，在能够应用均摊时间复杂度分析的场合，一般均摊时间复杂度就等于最好情况时间复杂度。简单的讲，均摊时间复杂度就是一种特殊的平均时间复杂度，没必要花太多精力区分他们。我们要掌握的是它的分析方法，摊还分析。

其实，复杂度分析的例子好多还是看不懂，不过没关系，看不懂就硬着头皮看，哈哈哈，只要坚持看完一遍，就会有感觉。以后还会再来看，相信下次再看时比这次更懂了，慢慢会懂的。中间间隔的时间也会缩短，哈哈哈。