化繁爲簡——算法之魅力

算法是什麼？
算法其實就是對一個問題或一類問題的解決過程的描述。你們對高斯不陌生吧？以首項加末項乘以項數除以2用來計算「1+2+3+4+5+···+（n-1）+n」的結果。咱們把它叫作高斯算法，由於能夠經過公式來解決複雜的問題，大大縮短了解題時間。固然算法的魅力還不止如此，咱們接着往下看：

這兩段代碼均可以稱之爲算法，由於分別能夠解決兩個數相加和從1加到n的問題。算法並不必定要很是複雜，小到一行代碼，多到上萬行代碼，只要能解決特定問題，就是算法。

如何評估算法優劣

使用不一樣算法，解決同一個問題，效率可能相差很是大
現有兩個求斐波那契數 (fibonacci number) 的算法

（斐波那契數列：1 1 2 3 5 8 ……）
這裏

public static int fib1(int n) {
    if (n <= 1) return n;
    return fib1(n - 1) + fib1(n - 2);
}

public static int fib2(int n) {
    if (n <= 1) return n;

    int first = 0;
    int second = 1;
    for (int i = 0; i < n - 1; i++) {
        int sum = first + second;
        first = second;
        second = sum;
    }
    return second;
}

這兩個算法哪一個更優呢？

若是單從執行效率上進行評估，可能會想到這麼一種方案

比較不一樣算法對同一組輸入的執行處理時間

這種方案也叫作：過後統計法

咱們的作法是：

public static void main(String[] args) {
    int n = 45;//求第45個斐波那契數

    TimeTool.check("fib1", new Task() {
        public void execute() {
            System.out.println(fib1(n));
        }
    });//5.815秒

    TimeTool.check("fib2", new Task() {
        public void execute() {
            System.out.println(fib2(n));
        }
    });//0.0秒
}

上述方案有比較明顯的缺點

執行時間嚴重依賴硬件以及運行時各類不肯定的環境因素

必須編寫相應的測算代碼

測試數據的選擇比較難保證公正性 （n=100時可能第一種算法時間更短，n=200時可能第二種算法時間更短）

通常從如下維度來評估算法的優劣

正確性、可讀性、健壯性（對不合理輸入的反應能力和處理能力）

時間複雜度（time complexity）：估算程序指令的執行次數（執行時間）

空間複雜度（space complexity）：估算所需佔用的存儲空間

咱們用這種方案評估一下計算1+2+...+n的算法

Image02
顯然第二種算法更好。難道是由於第二種方法代碼更短嗎？斐波那契數列的例子已經告訴咱們並非代碼越短越好。這個例子中第二個算法只須要三步運算就能夠解決問題，而第一種須要循環n次。首先都知足正確性、可讀性、健壯性的條件，而後從時間複雜度來說，假定一步運算的執行時間的必定的，咱們考察一下大體須要執行多少次指令，就能夠比較出兩種算法的時間長短；再從空間複雜度考慮，須要的變量越少、開闢的存儲空間越小，算法更好。

大O表示法

通常用大O表示法來描述複雜度，它表示的是數據規模 n 對應的複雜度

方法步驟：

（1）估算時間複雜度/空間複雜度(主要是時間複雜度)

（2.1）忽略常數、係數、低階

​ $9$>> O(1)

​ $2n+6$ >> O(n)

​ $n^2+2n+6$ >> O($n^2$)

​ $4n^3+3n^2+22n+100$ >> O($n^3$)

(2.2) 對數階通常省略底數

​ $log_2n=log_29+log_9n$ (任意底數的對數可經過乘以一個常數相互轉化)

​ 因此 $log_2n$、$log_9n$ 統稱爲 $logn$

注意：大O表示法僅僅是一種粗略的分析模型，是一種估算，能幫助咱們短期內瞭解一個算法的執行效率

計算下面幾段代碼的時間複雜度

java
public static void test1(int n) {
//1（進行一次判斷操做）
if (n > 10) {
System.out.println("n > 10");
} else if (n > 5) { // 2
System.out.println("n > 5");
} else {
System.out.println("n <= 5");
}
// 1（定義一次i) + 4(i累加四次) + 4（判斷i<4四次) + 4（循環體一條語句執行四次）=9
for (int i = 0; i < 4; i++) {
System.out.println("test");
}
// 大O表示法時間複雜度O(1)
}

java
public static void test2(int n) {
// 1(定義一次i）+ 3n（i累加n次+判斷i<n n次+循環體一條語句執行n次)=1+3n
for (int i = 0; i < n; i++) {
System.out.println("test");
}
// 大O表示法時間複雜度O(n)
}

java
public static void test3(int n) {
// 1(定義一次i） + 2n（i累加n次+判斷i<n n次) + n(外層循環體語句執行n次) * (1(定義一次j） + 3n（j累加n次+判斷j<n n次+內層循環體一條語句執行n次))=3n^2 + 3n + 1
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
System.out.println("test");
}
}
// 大O表示法時間複雜度O(n^2)
}

Java
public static void test4(int n) {
// 8 = 2^3
// 16 = 2^4

// 3 = log2(8)
// 4 = log2(16)

// 執行次數 = log2(n)
while ((n = n / 2) > 0) {
    System.out.println("test");
}
// 大O表示法時間複雜度O(logn)

}

java
public static void test5(int n) {
// log5(n)
while ((n = n / 5) > 0) {
System.out.println("test");
}
// 大O表示法時間複雜度O(logn)
}

java
public static void test7(int n) {
// 1(定義一次i） + 2log2(n)(i2運算次數) + log2(n)（外層循環執行次數） (1 + 3n)（內層循環執行次數）
for (int i = 1; i < n; i = i 2) {
// 1 + 3n
for (int j = 0; j < n; j++) {
System.out.println("test");
}
}
// 1 + 3log2(n) + 2 nlog2(n)
// 大O表示法時間複雜度O(nlogn)
}
Image03

$O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2n)<O(n!)<O(n^n)$

能夠藉助函數生成工具對比複雜度的大小

https://zh.numberempire.com/graphingcalculator.php 總而言之，現今大數據時代，算法的使用和研發愈來愈受人矚目。算法也逐漸進入人們的生活。篇幅有限，在此再也不過多講解算法的知識。咱們下期再會。若是您想提高本身，學習更多算法、高級編程語言技巧，這裏有免費的相關學習資料，歡迎加微信：19950277730獲取更多技術提高祕籍。這裏不只有志同道合的小夥伴，更有無數免費編程技巧、學習視頻和資料，加上微信來一塊兒探討學習技術吧！！