算法相关概念

算法定义：算法是解决特定问题求解步骤的描述，在计算机中表现为指令的有限序列，并且每条指令表示一个或多个操作。

算法特性：

1.输入输出，指算法具有零个或多个输入，至少有一个输出。

2. 有穷性，指算法在执行有限的步骤之后，自动结束而不会出现无限循环，并且每一个步骤在可接受的时间内完成。

3.确定性，算法的每一个步骤都具有确定的含义，不会出现二义性，即不会出现歧义。

4.可行性，算法的每一步都是可行的。也就是说，每一步都能够通过执行有限次数完成。

算法设计要求：

1.正确性，算法的正确性是指算法至少应该具有输入、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。

2.可读性，算法设计的另一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，而不是产生不可理解的错误或结果。

4.时间效率高和存储量低，

算法效率的度量方法

1. 事后统计方法，这种方法主要是通过设计好的测试程序和数据，利用计算机计时机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。

2.事前分析估算方法，在计算机程序编制之前，依据统计方法对算法进行估算。

算法时间复杂度

1.时间复杂度定义： 在进行算法分析时，语句总的执行次数T(n)是关于问题n的函数，进而分析随n的变化情况并确定T(n)的数量级。

算法的时间复杂度，也就是算法的时间度量，记作：T(n) = O(f(n)). 表示随着问题规模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。

一般情况下，随着n的增大，T(n)增长最慢的算法为最优算法。

推导大O阶方法

推导大O阶：

    1.用常数 1 取代运行时间中的所有加法常数。

    2.在修改后的运行次数函数中，只保留最高阶项。

    3.如果最高阶项存在且不是1， 则去除这个项目相乘的常数。

    得到的结果就是大O阶。

1.常数阶

    不论常数为多少，都记作O(1)，而不是O(2),或者O(3)...等其他任何数字。 对于分支结构而言，不论是真或者假，执行次数都是恒定的，不会随着n的变化

而发生变化，所以单纯的分支结构，其时间复杂度也是O(1).

2.线性阶

    线性阶的循环结构会复杂很多，要确定某个算法的阶次，就要确定某个语句集的运行次数。这种情况下，要分析算法的时间复杂度，关键就是要分析循环结构的运行情况。

3.对数阶

    由于每次count * 2 之后，就距离n更近了一分。也就是有多少个2相乘后大于n之后，则退出循环。即2^x = n. 得到x = log(2)n.所以这个循环的时间复杂度为O(logn).

4.平方阶

    平方阶的典型案例，即是循环嵌套。例如九九乘法表。

    内循环的时间复杂度为：O(n),外循环再循环n次，所以时间复杂度为O(n^2).如果外循环的循环次数为m，则时间复杂度为O(n*m).

常见的时间复杂度

常用的时间复杂度所耗费的时间从大到小顺序为：

最坏情况和平均情况的概念

最坏情况运行时间是一种保证，那就是运行时间不会再坏了。我们一般所提及的运行时间都是最坏情况的运行时间，

平均运行时间是所有情况中最有意义的，因为平均运行时间是期望的运行时间。

算法空间复杂度

算法的空间复杂度通过计算算法所需的存储空间实现，算法空间复杂度的计算公式为：

                    S(n) = O(f(n)).

其中，n 为问题的规模，f(n)为语句关于n所占存储空间的函数。

通常涉及到复杂度的问题，一般讨论的是时间复杂度。