2021-07-04

算法与算法效率的度量

什么是算法：

算法是为了解决某种特定的问题而规定的一个有限长的操作序列。如 大家预定候补车票使用队列这种数据逻辑结构：现在已经实现了操作①队头元素出队 ②新元素入队③交换队列i与j位置的元素。 那我们此时如何解决会员用户优先购买候补车票这个问题呢?         首先实现操作2其次寻找排在非会员用户前面一个会员用户的位置然后实现操作3，若该队列中无会员用户，则直接与对头元素交换。上述这一系列对改问题求解步骤的描述将是算法。
一个算法必须具备下列的5个重要特性：

有穷性	有穷的时间内执行完
确定性	相同的操作得到相同的结果，不会产生二义性
可行性	算法可以通过已经实现的基本操作来实现
输入	算法处理的数据：0或多个
输出	算法处理的结果：1个或多个，无输出的算法是没有任何意义的

上述的五个特性必须满足，如果不满足其中任何一个特性的话，那就不能称之为一个算法。程序 = 数据结构 + 算法   算法必须基于已有的数据结构，数据结构的学习中会有查找和排序这两类重要的算法。

算法效率的度量

衡量算法的效率一般有两类：事后统计法和事前分析估算法。事后统计法需先将算法实现，然后去测算其时间和空间的开销。这种方法缺陷很显然：算法的执行速度与运行的机器性能也是有很大关联的；与实现该算法所用的编程语言相关：越高级的语言执行效率越低；有的算法是不能进行事后统计的：如控制火箭飞行轨迹的算法。
事前分析估算法：时间开销T(n) 与问题规模n的关系

时间复杂度

评价一个算法的时间开销。
先看一段代码：

void fun(int n){
	int i=1;                    //①
	while(i<=n){               //② 
		printf("hello %d\n",i);//③
		i++;                  // ④ 
	}

语句频度：
① ----1次
② ----执行n+1次 与3，4，相比需要多执行最后一次i>n跳出循环
③，④ ----执行n次
时间开销与n的关系：T(n) = 2n+2
当 T(n)表达式比较复杂，就很难看出该算法的优劣

顺序执行的代码只会影响常数阶，可以忽略，在实际的应用中当问题规模n->∞时，算法的性能才能体现出来。则一个算法的时间开销表达式只要保留最高阶数就可以了。

T(n)与f(n)为同阶无穷小，算法执行时间的增长率与f(n)增长率大致相同，O(f(n)) 称为算法的渐近时间复杂度，简称时间复杂度

例1: T(n) = 3n³ +2n² + 9999 ,求时间复杂度
时间复杂度O(f(n))=O(n³)+O(n²)+O(1)=O(n³)

有：加法规则：多项相加，只保留最高阶的项，且系数变为1.
乘法规则：多项相乘，都保留

例2: T(n) = n³ + n²log(2)(n) ,求时间复杂度
O(f(n))=O(n³)+O(n² log(2)(n) ) =O(n³)
O(n³)阶数更高，保留

例3: 408统考：计算下列函数的时间复杂度：

void fun(int n){
   int i=0, sum=0;
   while(sum<n){
   	sum += i++;
   }
   return i;	
}

sum += i++;
即：i++；sum+=i
设循环k次结束：sum=0+1+2+3+…+k=(1+k)*k/2
sum>=n
时间复杂度为√n

数量级由左向右递增：

时间复杂度数量级越小，算法越优秀。一般总是考虑算法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。

空间复杂度

算法的空间复杂度S(n) 为实现算法所需的空间量度：S(n) = O(g(n))。一般情况下，程序在执行时除了寄存本身所用的指令，常数，变量，输入数据外，还需要一些对数据进行操作的辅助存储空间。若算法执行时所需要的辅助空间相对于输入数据量而言是一个常数，则称这个算法为原地工作。（算法原地工作：指算法所需的辅助空间为常量，即O(1)）。

例：

for(i=0;i<n;i++)  //实现将1维数组a中n个元素逆置 
b[i] = a[n-i-1];
for(i=0;i<n;i++)
a[i] = b[i];

借助了一个大小为n的辅助数组b，则空间复杂度为：O(n)

总结

对于一个算法，其时间复杂度和空间复杂度往往是相互影响的。但一般情况下，由于运算空间较充足，人们一般都已算法的时间复杂度作为算法优劣的衡量标准。