经常可以在一些书上看到这样的公式:程序=数据结构+算法

所以算法 的重要性是不言而喻的.

那么什么是算法呢？

算法的基本特性有:

1.确定性-----算法中的每一条指令无二义性.

2.有穷性-----算法经过有限的计算次数后结束.

3.可行性-----算法是由一些基本可行的运算实现.

4.算法有0个或者多个输入.

5.算法有1个或者多个输出.

那么我们又依据什么规则来设计一种特定的算法呢?

1.首先设计的算法要是正确的.根据严蔚敏数据结构一书中介绍了算法的这种正确性的四个层次.

层次一：程序不含语法错误.这是最基本的,也是在初学者最容易出现错误的地方

层次二：程序对于几组输入能够得到符合规格的结果.

层次三：程序对于精心挑选,条件苛责的输入仍然能得到符合规格的结果.这是大多数程序能够达到的层次.

层次四：程序对于任何输入都能得到符合规格的结果.这样的程序可以称得上完美,但是要实现这样的程序绝非易事.

在实际工作中,层次一往往是通过编译工具进行检查修正,否则存在语法错误的程序是无法运行的.

而后几个层次往往是使用专门的测试工具进行测试.

2.其次程序是可读的,算法不仅是面向机器,更重要的是面向读者.如果实现算法的程序是晦涩难懂的,那么这样的算法肯定称不上好的算法.

3.还要程序是健壮的.所谓健壮是指实现算法的程序,不仅对于正确的输入能够给出正确的结果.对于不合要求的输入仍然能够进行错误判别.

   识别出究竟是哪类错误.

4.最后就是算法时间效率和空间效率.所谓时间效率是指算法执行的时间.当然越快越好.空间效率是指算法执行所占用的内存空间.当然是越小越好.

而对于算法最重要的就是效率了,那么效率如何度量呢

一种方式是将不同算法用程序实现,然后比较运行时间.这是一种最直观的比较算法效率的方法.很明显这种方式要求我们

将要比较的算法首先一一实现之后再来进行比较.不难看出这种比较方式是比较笨拙的.而且不同的硬件条件下运行的时间

也肯定是有差异的.

二种方式是不需要事先将算法实现来计算算法的时间效率：

这种方式需要考虑如下几个方面的因素:1.问题的规模.比如计算100的阶乘肯定和计算1000的阶乘肯定运行时间不同.100和1000就是规模

     2.书写算法的程序语言越高低,时间效率越低.反之,效率越高.

     3.代码本身的质量,是否有冗余代码等等

     4.计算机指令执行的快慢.

我们撇开语言,代码质量,硬件质量快慢这些认为可控因素不谈.

同一算法的时间效率主要取决于问题规模的大小.

对于同一问题的不同算法,在相同的问题规模下:

我们以100的累加为例.

计算100的阶乘,可以是1+2+3+4+5......100

    也可以是(1+100)+(2+99)+(3+98)+......+(50+51)即简化为101*50;

很显然第二种计算方法要便于计算,时间效率高于第一种.

接下来我们将上例用代码进行描述：

第一种方式的累加
int sum=0;  	①
for(int i=1;i<=100;i++)   ②
	sum=sum+i;	③

第二种方式的累加
int sum=0;	①
for(int i=1,j=101;i<=50&&j>=51;j--,i++)②
	sum=sum+i+j;③

我们将算法的时间效率用算法中基本指令执行的次数来描述.不区别不同基本指令执行时间的差异.

第一种方式的累加：

①中int sum=0;执行的1次

②中 int i=0执行1次;i<=100;i++分别执行了100次

③中sum=sum+i执行了100次

所以总共的次数为 1+1+2*100+100=302;

第二种方式的累加:

①中int sun=0执行了1次

②中int i=0执行了1次,i<=50&&j>=51;j--,i++分别执行了50次

③中sum=sum+i+j执行了50次

所以总共的次数为 1+1+2*50+50=152;

很显然假设每条指令执行的时间相同那么方式二的累加是不是比方式一的累加省了很多时间呢.

这里我们引入时间频度T(n)的概念.T(n)为实现一种算法的指令执行的次数(n为问题规模).

那么两种方式分别为：T1(n)=2*n+n+2=3n+2

T2(n)=2*(n/2)+n/2+2=3n/2+2

我们用渐进时间复杂度来对时间频道进行描述,简称时间复杂度.

渐进时间复杂度即存在f(n)使得当n-->无限大 有lim(T(n)/f(n))=C(常数).

那么O(f(n))即为该算法的时间复杂度.T(n)=O(f(n));

很明显T1(n),T2(n)时间复杂度均为O(n);

那么具体如何计算时间复杂度呢？

比如N*N矩阵相乘：

代码如下：

int i,j,k;		①
for(i=1;i<=n;i++)	 ②
   for(j=1;j<=n;j++)	③
{
      c[i][j]=0;	④
	for(k=1;k<=n;k++)  ⑤
	    c[i][j]+=a[i][k]*b[k][j];⑥
}

①中语句执行1次

②中i=1执行一次,剩下的均执行n次

③中j=1执行n次;剩下的均执行n^2次

④中语句执行n^2次

⑤中k=1执行n^2次,剩下的均执行n^3次

⑥中语句执行n^3次

所以T(n)=1+1+2*n+n+2*n^2+n^2+n^2+2*n^3=2+3n+4n^2+3n^3

很显然当f(n)=cn^3时候 lim(T(n/f(n)))=常数 故时间复杂度为O(n^3);

但是O(n^3)的复杂度是好还是不好呢.

根据经验-判断：

一般情况下可根据此规则判断一个算法的复杂度的优劣：

c < log2n < n < n*log2n < n2 < n3 < 2n < 3n < n! （c是一个常量）
|--------------------------|--------------------------|-------------|
          较好                     一般              较差
其中c是一个常量，如果一个算法的复杂度为c 、 log2n 、n 、 n*log2n,那么这个算法时间效率比较高 

如果是 2n , 3n ,n!,那么稍微大一些的n就会令这个算法不能动了，居于中间的几个则差强人意。

最后补充一些知识：

1计算规则

若T1(n)=O(f1(n)),T2(m)=O(f2(m));

加法规则：

则T(m,n)=T(m)+T(n)=O(max(f1(n),f2(m)))

乘法规则

则T(m,n)=T(m)*T(n)=O(f1(n)*f2(m))

常数可去掉

T1(m)=O(f(m))  T2(m)=O(c*f(m))

T(m)=T1(m)=T2(m)=O(f(m))

2.关于最坏复杂度

某些情况下同一算法的时间复杂度不仅和输入规模有关还与输入顺序有关.

这种情况下我们计算其最坏情况下的时间复杂度来度量算法的时间效率.

本文到底就对算法的时间复杂度介绍完了,文中难免出现错误,望读者批评指正.

转载请注明作者：小刘