greenhand学习算法笔记（2023.3.24）：算法入门、时空复杂度

目录

一、什么是算法？

二、算法的特征

三、如何评价算法的好坏

四、时间复杂度

2.大O表示法：考察n趋近于正无穷时的情况

五、空间复杂度

六、总结

---

一、什么是算法？

算法是解题过程的准确而完整的描述，是一个有限规则的几何，这些规则确定了求解某一类问题的一个运算序列，对于某一类问题的任何初始输入，它能机械的一步一步地计算，并且通过有限的步骤之后，计算终止并产生输出。

二、算法的特征

1.有穷性：算法必须再执行有限步之后结束；

2.确定性：每个步骤必须是确切地定义的；

3.输入：有0个或多个输入；

4.输出：有至少一个输出；

5.可行性：每一步都可以再有限时间内完成。

三、如何评价算法的好坏

1.正确性

2.可读性

3.健壮性（容错性/鲁棒性）：对不规范数据的处理能力；

4.时间复杂度

5.空间复杂度

四、时间复杂度

1.定义：衡量程序运行速度的量度，忽略硬件的差异。

定性描述程序运行时间和数据规模n的关系的函数，这个函数即程序执行基本操作（加减、寻址、赋值等简单的数学函数）的次数，记作T(n)。

e.g1：

for(int i=1;i<=k;i++){
  ans=(ans+f[n][i])%mod;
}

上述循环中int i=1执行2步，i<=k执行k+1次，i++执行k次，每一次循环内部表达式加法、寻址、取模、赋值各一次，所以一共执行4k+2+k+1+k=6k+3次。

其中每一步都是估计，可能最后结果并不准确，所以只能定性描述，不能得到一个确切的结果。

2.大O表示法：考察n趋近于正无穷时的情况

对于一个描述算法的时间复杂度的函数g(n)，如果存在一个常数c>0，当N>1时，对一切n>N都有|g(n)|<=c|f(n)|成立(可以理解为在x0y轴坐标系中存在一个函数图像cf(n)一直在g(n)的上侧),则记作g(n)=O(f(n)）。

实际计算时往往直接忽略g(n)的低次项和系数。

e.g2:

//以冒泡排序为例
for(int i=0;i<len-1;i++){
    for(int j=0;j<len-1-i;j++){
        if(a[j]>a[j+1]){
            swap(a[j],a[j+1]);
        }
    }
}

内层for循环执行n-1，n-2...1次

g(n)=(n-1)C+(n-2)C+...+1C

      =1/2(n^2-n)C

去掉系数1/2和C，还有低次项n

g(n)=O(n^2)

3.常见时间复杂度：

• O(1)：输入和数据规模无关
• O(logn)->底数为2
• O(√n）
• O(n)：线性复杂度
• O(n!)

10^8级别在可接受范围内。

e.g3:

for(int i=2;i<=n;i++){
    for(int j=0;j<i-2;j++){
        //...
    }
}

内层循环共执行1+2+...+n-1=O(n^2)

e.g4:

for(int i=1;i<=n;i++){
    for(int j=i;j<=n;j++){
        //...
    }
for(int i=1;i<=n;i++){
    for(int j=1;j<=n;j++){
        //...
    }
}

第一个内层循环共执行n-1+n-2+...+1=O(n^2)

第二个内层循环共执行n*n=O(n^2)

所以一共就是O(2n^2)=O(n^2)

e.g5:

for(int i=2;i*i<n;i++){
    //...
}

O(√n）

e.g6:

分析问题： 

方法一：去重O(n^2)，冒泡O(n^2)-->O(n^2)

方法二：快排O(nlogn)，遍历O(n)-->O(nlogn)

方法三：O(n)

五、空间复杂度

1.计算机内各种变量的存储：

获取变量存储大小：sizeof（数据类型长度符的关键字/类型说明符/表达式）

int：16~32位二进制（short 16，int，long 32位），int最大值是2147483647

double：64位二进制，科学计数法存储，可能存在精度丢失的问题

float：精度太低，不建议使用

char：8位二进制

bool：8位二进制

8位二进制=1字节

六、总结

在写题目是要养成考虑时空复杂度的习惯，不能盲目的写题。

从今天开始学习算法内容，每次学完新的知识之后会更新相关学习笔记，希望自己能够有一定的收获。