什么是算法

算法(Algorithm)定义：

• 一个有限指令集:一堆指令放在一起做一件事情，而这个指令集一定是有限的
• 有零个或多个输入(有些情况下不需要输入)
• 有一个或多个输出(一定有输出)
• 一定在有限步骤之后终止
• 每一条指令必须
  • 有充分明确的目标，不可以有歧义
  • 计算机能处理的范围之内
  • 描述不依赖于任何一种计算机语言以及具体的手段

例1：选择排序算法的伪码描述

void SelectionSort(int List[],int N){
    /*将N个整数List[0]...List[N-1]进行非递减排序*/
    for(i=0;i<N;i++){
        MinPosition=ScanForMin(List,i,N-1);
        /*从List[i]到List[N-1]中找最小元，并将其位置赋给MinPosition；*/
        Swap(List[i],List[MinPosition]);
        /*将未排序部分的最小元换到有序部分的最后位置；*/      
    }  
}

这段伪码的描述是比较抽象的：

• 抽象点1：List到底是数组还是链表？
• 抽象点2：swap用函数还是用宏去实现？

这两个抽象点都需要具体的实现，但是在算法中，这种具体的实现过程是不被关心的。

 什么是好的算法？

用以下两个指标来衡量：

• 空间复杂度S(n)——根据算法写成的程序在执行时占用存储单元的长度。这个长度往往与输入数据的规模有关。空间复杂度过高的算法可能导致使用的内存超限，造成程序非正常中断。
• 时间复杂度T(n)——根据算法写成的程序在执行时耗费时间的长度。这个长度往往也与输入数据的规模有关。时间复杂度过高的算法可能导致我们在有生之年都等不到运行结果。

这两个指标与我们处理数据的规模是直接相关的。

例2：PrintN函数的递归实现

1 void PrintN(int N){
2     if(N){
3         PrintN(N-1);
4         printf("%d\n",N);
5     }  
6 }

当N=100000时，程序是非正常跳出了。

分析原因：当传入参数N=100000时，程序判断N不为0，开始递归调用PrintN。在调用之前，系统会把当前的函数所有的现有的状态都存到系统内存的某个地方，

然后执行递归函数，执行完后，系统会把这些存储状态回复回来，接着执行此函数的下一句，

直到递归到N为1的时候。

可以发现程序占用空间的数量实际上与原始N的大小成正比，S(N)=C*N,当N非常大的时候，程序可利用的空间有限，会直接爆掉，所以非正常退出了。

但是在循环程序里面，只用到了一个临时变量和一个for循环，没有涉及任何程序调用的问题，所以不管N多大，它所占用的空间始终是固定的，占用空间的量不会随着N的增长而增长，空间占用始终是一个常量，不会出现问题。

例3：求多项式的值。

1 double f(int n,double a[],double x){
2     int i;
3     double p=a[0];
4     for(i=1;i<=n;i++){
5         p+=(a[i]*pow(x,i));//累加求和
6     }
7     return p;
8 } 

1 double f(int n,double a[],double x){
2     int i;
3     double p=a[n];
4     for(i=n;i>0;i--){
5         p=a[i-1]+x*p;
6     }
7     return p;
8 } 

在分析程序运行效率时，机器执行加减法的效率比执行乘除法的效率要快很多。

第一个函数，每一次for循环执行i次乘法，不要忽略pow(x,i)函数每次执行i-1次乘法，总共执行的乘法次数是：1+2+...+n=(n+1)n/2

第二个函数，每次循环只执行了1次乘法，总共执行的乘法次数是:n

那么，用时间复杂度来衡量时，T1(n)=C₁n²+C₂n,T2(n)=C?n,当n很大时，第二个程序比第一个程序要快很多很多。

在分析一般算法的效率时，经常关注下面两种复杂度：

• 最坏复杂度T_worst(n)
• 平均复杂度T_avg(n)

  显然T_avg(n)<=T_worst(n),我们一般倾向于计算T_worst(n)，因为“平均”在不同情况下有不同的理解，分析起来比较复杂。

复杂度的渐进表示

 在分析一个算法时，没必要将算法执行了多少次一步步数出来，需要关注的是随着数据规模的增大，复杂度增长的性质是怎样变化的。

• T(n)=O(f(n))表示存在常数C>0,n₀>0,使得当n>=n₀时有T(n)<=C·f(n)
• T(n)=Ω(g(n))表示存在常数C>0,n₀>0,使得当n>=n₀时有T(n)<=C·g(n)
• T(n)=θ(h(n))表示同时有T(n)=O(h(n))和T(n)=Ω(h(n))

　当讨论一个函数复杂度的上界和下界时，其实不是唯一的，它可以有无穷多个上界和下界。但是太大的上界和太小的下界对于分析算法而言是没有帮助的，所以用大O记法时，一般取能找到的最小的上界，最大的下界。

在表中所列的输入规模n的最大值才取到32，函数中logn以什么为底并不重要，加了底只是多了一个常数倍而已，影响不大。

这张图显示了不同函数增长的速率，作为专业的程序员，如果设计的算法复杂度达到n²,要考虑能不能降低算法的复杂度。

 复杂度分析小窍门

• 若两段算法复杂度分别有T₁(n)=O(f₁(n))和T₂(n)=O(f₂(n))，则
  • T₁(n)+T₂(n)=max(O(f₁(n)),O(f₂(n)))
  • T₁(n)×T₂(n)=O(f₁(n)×f₂(n))
• 若T(n)是关于n的k阶多项式，那么T(n)=Θ(n^k)
• 一个for循环的时间复杂度等于循环次数乘以循环体代码的复杂度
• if-else结构的复杂度取决于if的条件判断复杂度和两个分支部分的复杂度，总体复杂度取三者中最大

基本概念之算法