MIT算法导论——第一讲.Analysis of algorithm
参考一:网易MIT公开课算法导论
参考二:插入排序
参考三:算法的时间复杂度和空间复杂度-总结
参考四:MIT算法导论——第一讲.Analysis of algorithm
一、基本概念
1.算法分析：关于计算机程序在效率和资源利用方面的理论研究，总之算法是一门关于性能的科学。
2.计算机进入用户友好时代即“用户体验”。
3.性能与用户体验的关系：性能是确保用户体验的前提。
二、算法古老问题：排序
1.伪代码
(1)目的:是使被描述的算法可以容易地以任何一种编程语言实现，可以将整个算法运行过程的结构用接近自然语言的形式描述出来。
(2)缩进:表示每一条语句的结束，用来代替分隔符。有的语言也用来表示嵌套。
2.运行时间(Running Time)
(1)输入本身。对于插入排序算法来说，一个已经排好序的序列更容易排序；
(2)输入规模。很显然，短的序列要比长序列更容易排序；
(3)运行时间上界(upper bonds):运行时间不超过某个特定量(用户承诺),往往是那些最坏的情况。
2.几种分析运行时间的方法(kinds of analysis)
(1)Worst-case:(usually) —— 用T(n)来表示算法在输入规模为n时且输入情况最差的最大运行时间。即表示算法在最坏的情况下的运行时间也不会超过T(n)。
(2)Average-case:(sometimes)—— 前提是假设输入的统计概率分布(Need assumption of statistics distribution)每种输入情况的运行时间*每种输入情况的出现概率的和(加权平均)，它所有的排列方式出现的概率是相等的。
(3)Best-case:(bogus)——而如果你想骗人，用一组极好的数据在一个效率极低的算法上跑，我们称之为算法的运行时间的最好情况，这是不够说服人的。
3.Big Idea(Huge Idea)——渐近分析(asymptotic analysis)
(1)渐近符号(asymptotic notation):Θ;
(2)算法复杂度符号(Landau notation):O;算法复杂度时一般只用到大O符号，Landau符号体系中的小o符号、Θ符号等等比较不常用。
(3)渐近分析的思想：
a.忽略掉那些依赖机器的常量。
b.不检查实际的运行时间，而关注运行时间的增长(随着运行时间的增长，高速算法必将打败(beats)低速算法),无论在什么计算机平台,即便是relative speed(同一平台)，或absolute speed(不同平台)。
(4)公式中的渐近分析:
a.取其低阶项。
b.忽略常数因子
c.As n→∞ EX:O(2n^2+n+1)=Θ(2n^2+n+1)=O(n^2)=Θ(n^2) 。
(4)渐近分析中:Θ(1)、O(1);的疑问？
a. Temp=i; i=j; j=temp;
b.以上三条单个语句的频度均为1，该程序段的执行时间是一个与问题规模n无关(不影响问题规模)的常数。算法的时间复杂度为常数阶，记作T(n)=O(1)=Θ(1)
c.注意：如果算法的执行时间不随着问题规模n的增加而增长，即使算法中有上千条语句，其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。
4.插入排序(Insertion sort)
(1)插入排序的思想就是，对于每一个A[i]，考虑A[1…i-1]中它的合适的插入位置k，然后将A[k…i-1]依次后移一个位置，把A[i]插入到A[k]的位置即可
(2)插入排序的渐近分析(Insertion sort analysis)，如下图所示：下面一系列分析过程说明了插入排序的渐近时间复杂度是n^2级别。
(3)对插入排序渐近分析的个人理解
a.由插入排序的第一幅图可知：插入排序的内部操作最坏情况为j-1次=Θ(j)。
b.
As 2→n,T(n)=Θ(2)+Θ(3)+……Θ(n) 是算术级数(arithmetic series)(也叫等差级数)。根据等差的求和公式
T(n)=Θ(n*(n+2)/2)=Θ(n^2)。
4.归并排序(merge sort)
举个例子，归并排序递归处理的两个表已经有序了，为{2, 7, 13, 20}和{1, 9, 11, 12}。
我们如何合并这两个表呢？这两个表已经是有序的了，我们要找出当前表中剩下的最小元素，这个最小元素一定是在表1的头部或表2的头部，然后取出来，放入总的表中，此时我们取出了1这个元素。那么表2中还剩下3个元素，然后再接着比较表1和表2，找出最小的元素，为2，这样我们依次找下去，便可以将两个有序表合并成一个有序表。如下图所示:
(2)下图是归并排序的伪代码以及算法渐近分析:
(3)下面我们用递归树的方法来分析这个算法的运行时间，首先写出运行时间的递归表达式：如果我们考虑n>1的情况，T(n) = 2T(n/2) + Cn，其中C为一个常数。画成递归树的形式如下图所示：
(4)对归并排序渐近分析的个人理解
a.2T(n/2)是两组已排好序数组的最大运行时间，老师说第二讲会讲。
b.树高、层、行的计算：h=lgn;
lg在一些学科中可以表示以2、10、e等等为底的对数。
通过观察递归树图三可知：
①Cn的除数以指数级数增长：2^0，2^1，2^2，2^3……。指数项x以算术级数(等差级数)增长：
0,1,2,3……。可写为指数方程：y=2^x (x>=0)。(当递归值n为最大值时Cn/2^x=Θ(1)，此时Cn=2^x)
②层数(树高)h以算数级增长：1,2,3,4……。可写为线性方程：y=x (x>=1)。
③层数(树高)h和指数项x的关系：树高=指数项+1。(因为x的起始值不同)
④根据①②③可知Cn=2^(x)时，树高h达到最大，用指数项对数表达：lg(cn)=x=h(x>=1)
⑤通过对层数x(x>=1)和除数2^(x)=y观察，指数y=2^(x)和对数lg(cn)=x,关于y=x对称，且互为反函数
c.叶子节点个数总和为(leaves)：2^(lgn)=n，叶子节点个数为指数级数，指数项为树高h=lgn，底为2。原因：归并排序每次比较(节点)有2种可能(2各分叉)
d.归并排序分治法基本思想。总时间=分解时间+解决问题时间+合并时间。分解时间就是把一个待排序序列分解成两序列，时间为一常数，时间复杂度o(1).解决问题时间是两个递归式，把一个规模为n的问题分成两个规模分别为n/2的子问题，时间为2T(n/2).合并时间复杂度为o（n）。总时间T(n)=2T(n/2)+o(n).这个递归式可以用递归树来解，其解是o(nlogn).此外在最坏、最佳、平均情况下归并排序时间复杂度均为o(nlogn).从合并过程中可以看出合并排序稳定。