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。