1.算法定義

算法(Algorithm)是指解題方案的準確而完整的描述，是一系列解決問題的清晰指令，算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個算法有缺陷，或不適合于某個問題，執行這個算法將不會解決這個問題。不同的算法可能用不同的時間、空間或效率來完成同樣的任務。一個算法的優劣可以用空間復雜度與時間復雜度來衡量。

一個算法應該具有以下七個重要的特征：

①有窮性(Finiteness)：算法的有窮性是指算法必須能在執行有限個步驟之后終止;

②確切性(Definiteness)：算法的每一步驟必須有確切的定義;

③輸入項(Input)：一個算法有0個或多個輸入，以刻畫運算對象的初始情況，所謂0個輸 入是指算法本身定出了初始條件;

④輸出項(Output)：一個算法有一個或多個輸出，以反映對輸入數據加工后的結果。沒 有輸出的算法是毫無意義的;

⑤可行性(Effectiveness)：算法中執行的任何計算步驟都是可以被分解為基本的可執行 的操作步，即每個計算步都可以在有限時間內完成(也稱之為有效性);

⑥高效性(High efficiency)：執行速度快，占用資源少;

⑦健壯性(Robustness)：對數據響應正確。

2. 時間復雜度

計算機科學中，算法的時間復雜度是一個函數，它定量描述了該算法的運行時間,時間復雜度常用大O符號(大O符號(Big O notation)是用于描述函數漸進行為的數學符號。更確切地說，它是用另一個(通常更簡單的)函數來描述一個函數數量級的漸近上界。在數學中，它一般用來刻畫被截斷的無窮級數尤其是漸近級數的剩余項;在計算機科學中，它在分析算法復雜性的方面非常有用。)表述，使用這種方式時，時間復雜度可被稱為是漸近的，它考察當輸入值大小趨近無窮時的情況。

大O，簡而言之可以認為它的含義是“order of”(大約是)。

無窮大漸近

大O符號在分析算法效率的時候非常有用。舉個例子，解決一個規模為 n 的問題所花費的時間(或者所需步驟的數目)可以被求得：T(n) = 4n^2 - 2n + 2。

當 n 增大時，n^2; 項將開始占主導地位，而其他各項可以被忽略——舉例說明：當 n = 500，4n^2; 項是 2n 項的1000倍大，因此在大多數場合下，省略后者對表達式的值的影響將是可以忽略不計的。

數學表示掃盲貼 python算法表示概念掃盲教程

一、計算方法

1.一個算法執行所耗費的時間，從理論上是不能算出來的，必須上機運行測試才能知道。但我們不可能也沒有必要對每個算法都上機測試，只需知道哪個算法花費的時間多，哪個算法花費的時間少就可以了。并且一個算法花費的時間與算法中語句的執行次數成正比例，哪個算法中語句執行次數多，它花費時間就多。

一個算法中的語句執行次數稱為語句頻度或時間頻度。記為T(n)。

2.一般情況下，算法的基本操作重復執行的次數是模塊n的某一個函數f(n)，因此，算法的時間復雜度記做：T(n)=O(f(n))。隨著模塊n的增大，算法執行的時間的增長率和f(n)的增長率成正比，所以f(n)越小，算法的時間復雜度越低，算法的效率越高。

在計算時間復雜度的時候，先找出算法的基本操作，然后根據相應的各語句確定它的執行次數，再找出T(n)的同數量級(它的同數量級有以下：1，Log2n ，n ，nLog2n ，n的平方，n的三次方，2的n次方，n!)，找出后，f(n)=該數量級，若T(n)/f(n)求極限可得到一常數c，則時間復雜度T(n)=O(f(n))。

3.常見的時間復雜度

按數量級遞增排列，常見的時間復雜度有：

常數階O(1), 對數階O(log2n), 線性階O(n), 線性對數階O(nlog2n), 平方階O(n^2)， 立方階O(n^3),...， k次方階O(n^k), 指數階O(2^n) 。

其中，

1.O(n)，O(n^2)， 立方階O(n^3),...， k次方階O(n^k) 為多項式階時間復雜度，分別稱為一階時間復雜度，二階時間復雜度。。。。

2.O(2^n)，指數階時間復雜度，該種不實用

3.對數階O(log2n), 線性對數階O(nlog2n)，除了常數階以外，該種效率最高

Python常用算法學習基礎教程