- 算法的定义: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:输入、输出、有穷性、确定性和可行性。输入和输出:算法具有零个或多个输入和输出。有穷性: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。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。可行性:算法的每一步都必须的可行的,也就是说,每一步都能通过执行有限次数完成。
- 算法的设计要求:1、正确性:算法至少应该有输入、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:算法设计的另一个目的就是为了便于阅读、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,而不是产生异常或莫名其妙的结果。4、时间效率高和存储量低。
- 函数的逐渐增长:给定两个函数f(n)和g(n),如果存在一个整数N,使得对于所有的n>N,f(n)总是比g(n)大,那么,我们说f(n)的增长逐渐快于g(n)。
- 最高次数的指数大的,函数随着n的增长,结果也会变得增长特别快。
- 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)是关于问题规模n的函数,进而分析T(n)随着n的变化情况并确定T(n)的数量级。算法时间复杂度,也就是算法的时间度量,记作:T(n)=O(f(n))。它表示随问题的规模n的增大,算法执行时间的增长率和f(n)的增长率相同,称作算法的逐渐时间复杂度,简称为时间复杂度。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: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。
- 常数阶:不管这个常数是多少,我们都记作O(1),而不能是O(3)、O(20)等的其他任何数字。
- 对于分支结构而言,无论是真,还是假,执行的次数都是恒定的,不会随着n的变大而变化,所以单纯的分支结构(不包含在循环结构中),其时间复杂度也是O(1)。
- 分析算法的复杂度,关键就是要分析循环结构的运行情况。
- 常用的时间复杂度所耗费的时间从小到大依次是:O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)
- 算法空间复杂度: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记作: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。
第二章总结:这一章是讲算法的一些基本的概念,算法就是来实现数据结构的,数据结构跟算法之间的关系密不可分。一个功能可能有很多种算法来实现,但是我们都要只要这个算法的效率,不能看到这个方法实现了就沾沾自喜。现在我们在学校写的程序是没有用户去用的,只要功能可以实现就算通过了,但是以后出来设计软件是给成千上万的人使用的,这时候,程序的效率是非常重要的,这直接影响了用户的体验。所以,必须对自己的代码效率有一个清晰的认识,这样才能设计出高效的程序。
时间: 2024-10-07 04:43:33