恋上数据结构与算法(1-3)，

来源： javaer 分享于 2020-06-13 点击 42837 次点评：20

恋上数据结构与算法(1-3)，

不加密，高清，无水印

https://ke.qq.com/course/385223
腾讯课堂-小码哥教育-MJ恋上数据结构与算法-第一季-1666元

https://ke.qq.com/course/421398
腾讯课堂-小码哥教育-MJ恋上数据结构与算法-第二季-1666元

https://ke.qq.com/course/473705
腾讯课堂-小码哥教育-MJ恋上数据结构与算法-第三季-889元

百度网盘：
链接: https://pan.baidu.com/s/1rG6VFJ4uhZMSXit0Jw043Q 密码: qogr

如果失效加微信itit11223344

一什么是算法

引用百度百科对算法的解释算法

算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。

例子

// 计算a和b的和
- (int)plus:(int)a b:(int)b {
    return a + b;
}

// 计算 1+2+3+...+n 的和
- (int)sum:(int)n {
    int result = 0;
    for (int i = 1; i<= n; i++) {
        result += i;
    }
    return result;
}

总结：算法是用于解决特定问题的一系列的执行步骤，使用不同算法，解决同一个问题，效率可能相差非常大。

二如何评判一个算法的好坏

求 1+2+3+...+n 的和

// 计算 1+2+3+...+n 的和
- (int)sum:(int)n {
    int result = 0;
    for (int i = 1; i<= n; i++) {
        result += i;
    }
    return result;
}

// 计算 1+2+3+...+n 的和
- (int)sum1:(int)n {
    return (1 + n) * n / 2;
}

2.1 事后统计法

比较不同算法对同一组输入的执行处理时间

上述方案有明显的缺点

1.执行时间严重依赖硬件以及运行时各种不确定的环境因素
2.必须编写相应的测试代码
3.测试事件的选择比较难保证公正性

2.2 时间复杂度+空间复杂度

一般从正确性，可读性，健壮性（对不合理输入的反应能力和处理能力）等维度来评估算法的优劣。

在满足这些条件的前提下，再比较时间复杂度和空间复杂度

时间复杂度(time complexity)：估算程序指令的执行次数（执行时间）
空间复杂度(space complexity)：估算所需占用的存储空间

2.3 大O表示法

一般用大O表示法来描述复杂度，它表示的是数据规模n对应的复杂度

忽略常数，系数，低阶

0 >> O(1)
2n + 3 >> O(n)
n² + 2n + 6 >> O(n²)
4n³ + 3n² + 22n + 100 >> O(n³)

对数阶一般省略底数

因为 log2 ⁿ = log2 ⁹ * log9 ⁿ，所以

log2 ⁿ，log9 ⁿ统称为 logn

注意：大O表示法仅仅表示一种粗略的分析模型，是一种估算，能帮助我们短时间内了解一个算法的执行效率。

2.4 常见的复杂度

执行次数	复杂度	非正式术语
12	O(1)	常数阶
2n + 3	O(n)	线性阶
4n² + 2n + 6	O(n²)	平方阶
4log2 ⁿ + 25	O(logn)	对数阶
3n + 2nlog3 ⁿ + 15	O(nlogn)	nlogn阶
4n³ + 3n² + 22n + 100	O(n³)	立方阶
2ⁿ	O(2ⁿ)	指数阶

复杂度比较:

O(1) < O(logn) < O(n) < O(nlogn) < O(n²) < O(n³) < O(2ⁿ)

可以借助函数生成工具对比复杂度的大小
函数图像绘制工具

2.5 复杂度图形比较

数据规模较小时

image.png

数据规模较大时

image.png

2.6 实例讲解时间复杂度

test1 时间复杂度 O(1)

- (void)test1:(int)n {
    if (n > 10) {
        NSLog(@"n > 10");
    } else if (n > 5) { // 2
        NSLog(@"n > 5");
    } else {
        NSLog(@"n <= 5");
    }
    
    for (int i = 0; i < 4; i++) {
        NSLog(@"test1");
    }
}

test2 时间复杂度 O(n)

- (void)test2:(int)n {
    // 1 + 3n (指令执行条数)
    // O(n)
    for (int i = 0; i < n; i++) {
        NSLog(@"test");
    }
}

test3 时间复杂度 O(n^2)

- (void)test3:(int)n {
    // 1 + 2n + n * (1 + 3n) (指令执行条数)
    // 1 + 2n + n + 3n^2
    // 3n^2 + 3n + 1
    // O(n^2)
    for (int i = 0; i < n; i++) {
        for (int j = 0; j < n; j++) {
            NSLog(@"test");
        }
    }
}

test4 时间复杂度 O(n)

- (void)test4:(int)n {
    // 1 + 2n + n * (1 + 45) (指令执行条数)
    // 1 + 2n + 46n
    // 48n + 1
    // O(n)
    for (int i = 0; i < n; i++) {
        for (int j = 0; j < 15; j++) {
            NSLog(@"test");
        }
    }
}

test5 时间复杂度 O(logn)

- (void)test5:(int)n {
    // 执行次数 = log2(n)
    // O(logn)
    while ((n = n / 2) > 0) {
        NSLog(@"test");
    }
}

test6 时间复杂度 O(logn)

- (void)test6:(int)n {
    // log5(n)
    // O(logn)
    while ((n = n / 5) > 0) {
        NSLog(@"test");
    }
}

test7 时间复杂度 O(nlogn)

- (void)test7:(int)n {
    // 1 + 2*log2(n) + log2(n) * (1 + 3n)
    // 1 + 3*log2(n) + 3 * nlog2(n)
    // O(nlogn)
    for (int i = 1; i < n; i = i * 2) {
        // 1 + 3n
        for (int j = 0; j < n; j++) {
            NSLog(@"test");
        }
    }
}

2.6.2 多个数据规模的情况

- (void)test8:(int)n k:(int)k {
    for (int i = 0; i < n; i++) {
        NSLog(@"test8 %d",i);
    }
    
    for (int i = 0; i < k; i++) {
        NSLog(@"test8 %d",i);
    }
}

时间复杂度为 O(n + k)

2.7 求第n个斐波那契数(fibonacci number)

摘自百度百科的解释斐波那契数

斐波那契数，亦称之为斐波那契数列（意大利语： Successione di Fibonacci)，又称黄金分割数列、费波那西数列、费波拿契数、费氏数列，指的是这样一个数列：1、1、2、3、5、8、13、21、……在数学上，斐波那契数列以如下被以递归的方法定义：F0=0，F1=1，Fn=Fn-1+Fn-2（n>=2，n∈N*），用文字来说，就是斐波那契数列由 0 和 1 开始，之后的斐波那契数列系数就由之前的两数相加。

2.7.1 算法一

// 递归
- (int)fib1:(int)n {
    if (n <= 1) {
        return n;
    }
    // Fn = Fn-1 + Fn-2（n >= 2，n∈N*）
    return [self fib1:n - 1] + [self fib1:n - 2];
}

2.7.2 算法二

// 直接求值
- (int)fib2:(int)n {
    if (n <= 1) {
        return n;
    }
    
    int first = 0;
    int second = 0;
    // Fn = Fn-1 + Fn-2
    for (int i = 1; i < n; i++) {
        second += first;
        first = second - first;
    }
    
    return second;
}

TimeTool.m

/// 计算执行完 block 所需花费时间
+ (void)calculateTimeWithTitle:(NSString *)title operationBlock:(void(^)(void))operationBlock {
    NSDateFormatter *formatter = [[NSDateFormatter alloc] init];
    [formatter setDateFormat:@"YYYY-MM-dd HH:mm:ss:mmm"];
    NSDate *startDate = [NSDate date];
    NSString *currentTimeString = [formatter stringFromDate:startDate];
    NSLog(@"%@ start, time = %@",title,currentTimeString);
    
    if (operationBlock) {
        operationBlock();
    }
    
    NSDate *endDate = [NSDate date];
    currentTimeString = [formatter stringFromDate:endDate];
    NSLog(@"%@ end, time = %@",title,currentTimeString);
    
    NSLog(@"%@ 耗时:%f second",title,[endDate timeIntervalSince1970] - [startDate timeIntervalSince1970]);
}

比较两个算法的时间

- (void)viewDidLoad {
    [super viewDidLoad];
    
    int n = 35;
    // fib1
    [TimeTool calculateTimeWithTitle:@"fib1" operationBlock:^{
        [self fib1:n];
    }];
    
    // fib2
    [TimeTool calculateTimeWithTitle:@"fib2" operationBlock:^{
        [self fib2:n];
    }];
}

n = 35时

image.png

n = 44时

image.png

经过大量测试，发现当 n < 35的时候，两个算法的执行时间相差不大，但是随着n的增加，相差时间越来越明显了。

2.7.3 两个算法的时间复杂度分析

fib1函数的时间复杂度分析

image.png

fib2函数的时间复杂度分析

循环n次，所以时间复杂度为O(n)

三算法的优化方向

用尽量少的存储空间
用尽量少的执行步骤（执行时间）
根据情况，可以空间换时间或时间换空间

四扩展

一个用于学习算法的网站

暂无相关文章

恋上数据结构与算法(1-3)，