第三章算法基础知识点.docVIP

第三章算法基础知识点

算法的定义与特性

算法是解决特定问题的一系列清晰、有限的指令序列。它具有几个关键特性：

-有穷性：算法必须在执行有限个步骤之后结束。例如计算从1加到100的和，通过有限次加法运算就能得出结果，不会永远运行下去。

-确定性：算法的每一步骤都有确切的定义，不会产生歧义。比如在排序算法中，比较两个元素大小的规则是明确的，不会出现模棱两可的情况。

-输入：一个算法有零个或多个输入。例如求圆面积的算法，若输入圆的半径则可进行计算；有些算法初始化数据已在算法内部，无需外部输入。

-输出：算法必须有一个或多个输出，即问题的结果。如搜索算法，最终会输出找到的目标元素或提示未找到的信息。

-可行性：算法的操作都可以通过已实现的基本运算执行有限次来完成，例如四则运算、逻辑运算等基本操作。

算法的描述方法

-自然语言：使用人们日常使用的语言描述算法，简单易懂，但可能不够精确和简洁，容易产生歧义。例如描述查找列表中最大元素的算法：“从列表的第一个元素开始，依次和后面的元素比较，如果当前元素比后面的元素小，就继续比较下一个元素，直到找到最大的元素”。

-流程图：用图形符号来表示算法的步骤和流程，直观形象，清晰展示算法的逻辑结构。如用矩形表示处理步骤，菱形表示判断条件，箭头表示流程方向等。

-程序设计语言：使用具体的编程语言来实现算法，精确且可运行。例如用Python语言实现求阶乘的算法：

```python

deffactorial(n):

result=1

foriinrange(1,n+1):

result=i

returnresult

```

算法复杂度分析

算法复杂度是衡量算法效率的重要指标，主要包括时间复杂度和空间复杂度。

-时间复杂度：表示算法执行所需的时间随输入规模增长的变化趋势。通常用大O记号来表示，忽略低阶项和常数因子。例如一个算法执行时间T(n)=3n2+2n+1，当n很大时，2n+1相比于3n2可以忽略不计，所以该算法的时间复杂度为O(n2)。常见的时间复杂度有：

-O(1)：常数时间复杂度，算法执行时间与输入规模无关，如访问数组中固定位置的元素。

-O(logn)：对数时间复杂度，常见于二分查找等算法。

-O(n)：线性时间复杂度，如遍历数组的所有元素。

-O(nlogn)：常见于归并排序、快速排序等高效排序算法。

-O(n2)：平方时间复杂度，如冒泡排序、选择排序等简单排序算法。

-空间复杂度：指算法在执行过程中所需的额外存储空间随输入规模的变化情况，同样用大O记号表示。例如一个算法只需要几个临时变量，不随输入规模增加而增加额外空间，其空间复杂度为O(1)；若算法需要创建一个与输入规模成正比的数组来存储数据，则空间复杂度为O(n)。

常见算法类型

-排序算法：将一组数据按照特定顺序（如升序或降序）排列。

-冒泡排序：比较相邻元素，如果顺序错误就把它们交换过来，重复此过程直到整个数组有序，时间复杂度为O(n2)。

-选择排序：在未排序序列中找到最小（大）元素，存放到排序序列的起始位置，然后再从剩余未排序元素中继续寻找最小（大）元素，然后放到已排序序列的末尾，时间复杂度为O(n2)。

-插入排序：将未排序数据插入到已排序序列的合适位置，类似于扑克牌整理，时间复杂度为O(n2)。

-快速排序：选择一个基准值，将数组分为两部分，小于基准值的放在左边，大于基准值的放在右边，然后对两部分分别进行排序，平均时间复杂度为O(nlogn)。

-归并排序：将数组分成两个子数组，对两个子数组分别进行排序，然后将排序好的子数组合并成一个有序的数组，时间复杂度为O(nlogn)。

-搜索算法：在数据集合中查找特定元素。

-顺序搜索：从数据集合的第一个元素开始，依次比较每个元素，直到找到目标元素或遍历完整个集合，时间复杂度为O(n)。

-二分搜索：用于在有序数组中查找元素，每次将搜索区间缩小一半，时间复杂度为O(logn)。

算法基础涵盖了算法的定义、描述、复杂度分析以及常见算法类型等多个方面，这些知识点是进一步学习和应用算法的基石，对于解决各种实际问题和优化程序性能具有重要意义。