笔记：算法的基本知识点

《大话数据结构》第2章 算法 —— 笔记

下载链接，提取码：wr3p

算法的定义

• 算法：描述解决问题的方法。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。

算法的特性

算法的五个基本特性：

• 输入：零个或多个
• 输出：至少一个或多个。形式可以是打印输出，或返回一个或多个值
• 有穷性：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。
• 确定性：算法的每一步骤都具有确定的含义，不会出现二义性。一定条件下只有一条执行路径，相同的输入只能有唯一的输出结果。
• 可行性：每一步必须是可行的，每一步都能通过执行有限次数完成。

算法设计的要求

1. 正确性。大体分为四个层次（按要求从低到高，一般把层次3作为一个算法是否正确的标准）：
   1. 算法程序没有语法错误；
   2. 算法程序对于合法的输入数据能够产生满足要求的输出结果；
   3. 算法程序对于非法的输入数据能够得出满足规格说明的结果；
   4. 算法成对对于精心选择的，甚至刁难的测试数据都有满足要求的输出结果。
2. 可读性。便于阅读、理解和交流。
3. 健壮性。当输入数据不合法时，也能做出相关的处理，而不是产生异常或莫名其妙的结果。
4. 时间效率高和存储量低。花最短的时间、最少的钱，办最大的事。

算法效率的度量方法

这里效率大多指算法的执行时间。如何度量算法的执行时间呢？

（1）事后统计方法——麻烦，成本高，一般不予考虑

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

在计算机程序编制前，依据统计方法对算法进行评估。

一个程序在计算机上运行时所消耗的时间取决于下列因素：

1. 算法采用策略、方法 —— ✔这是算法好坏的根本
2. 编译产生的代码质量 —— 要由软件来支持
3. 问题的输入规模
4. 机器执行指令的速度 —— 要看硬件性能。

测定运行时间可靠的方法就是：计算对运行时间有消耗的基本操作的执行次数。运行时间与这个计数成正比。（只关心实现的算法，不计哪些循环索引的递增和循环终止条件、变量声明、打印结果等操作。）

在分析算法的运行时间时，把基本操作的数量表示成输入规模$n$n的函数。

函数的渐进增长

给出这样的定义：输入规模$n$n在没有限制的情况下，只要超过一个数值$N$N，这个函数就总是大于另一个函数，我们称函数是渐进增长的。

函数的渐进增长：给定两个函数$f(n)$f(n)和$g(n)$g(n)，如果存在一个整数$N$N，使得对于所有的$n>N$n>N，$f(n)$f(n)总是比$g(n)$g(n)大，那么，我们说$f(n)$f(n)的增长渐进快于$g(n)$g(n)。

判断一个算法好不好，我们只通过少量的数据是不能做出准确判断的，如果我们可以对比算法的关键执行次数函数的渐近增长性，基本就可以分析出：某个算法，随着$n$n的变大，它会越来越优于另一算法，或者越来越差于另一算法。

判断一个算法的效率时，函数中的常数和其他次要项常常可以忽略，而更应该关注主项（最高阶项）的阶数。

算法时间复杂度

在进行算法分析时，语句总的执行次数$T(n)$T(n)是关于问题规模$n$n的函数，进而分析$T(n)$T(n)随$n$n的变化情况并确定$T(n)$T(n)的数量级。

算法的时间复杂度，也就是算法的时间量度，记作：$T(n) = O(f(n))$T(n)=O(f(n)) —— 大O记法
它表示随问题规模$n$n的增大，算法执行时间的增长率和$f(n)$f(n)的增长率相同，称作算法的渐进时间复杂度，简称为时间复杂度。其中$f(n)$f(n)是问题规模$n$n的某个函数。

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，则去除与这个项相乘的常数。

得到的结果就是大O阶。

分析算法的复杂度，关键是要分析循环结构的运行情况。

循环的时间复杂度 = 循环体的复杂度 × 该循环运行的次数

理解大O推导不算难，难的是对数列的一些相关运算，这更多的是考察你的数学知识和能力。

常见的时间复杂度

非官方名称：$O(1)$O(1) 常数阶，$O(n)$O(n) 线性阶，$O(n^2)$O(n2) 平方阶，$O(\log n)$O(logn) 对数阶，$O(2^n)$O(2n) 指数阶，$O(n!)$O(n!) 阶乘阶

常用的时间复杂度所耗费的时间从小到大排序：

$O(1) < O(\log n) < O(n) < O(n\log n) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)$O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n3)<O(2n)<O(n!)<O(nn)

像$O(n^3), O(2^n), O(n!), O(n^n)$O(n3),O(2n),O(n!),O(nn) ，除非是很小的$n$n值，否则哪怕$n$n只是100，都会是噩梦般的运行时间。

最坏情况与平均情况

对算法的分析，一种方法是计算所有情况的平均值，这种时间复杂度的计算方法称为平均时间复杂度。另一种方法是计算最坏情况下的时间复杂度，这种方法称为最坏时间复杂度。

一般在没有特殊说明的情况下，都是指最坏时间复杂度。

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，计算公式记作：$S(n) = O(f(n))$S(n)=O(f(n))
其中$n$n为问题的规模，$f(n)$f(n)为语句关于$n$n所占存储空间的函数。

一般情况下，一个程序在机器上执行时，除了需要存储程序本身的指令、常数、变量和输入数据外，还需要存储对数据操作的存储单元。

若输入数据所占空间只取决于问题本身，和算法无关，这样只需要分析该算法在实现时所需的辅助单元即可。

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个常数，则称此算法为原地工作，空间复杂度为$O(1)$O(1)。

通常，我们都使用“时间复杂度”来指运行时间的需求，使用“空间复杂度”指空间需求。当不用限定词地使用“复杂度”时，通常都是指时间复杂度。