在信息化的时代里每个人都应该懂一点编程。重复性的机械劳动，都应该交给机器去做，从而把人的精力放在更有挑战性的任务上。写代码第一个要避免的就是syntex error和类似这里（http://www.guokr.com/post/65643/）所写非所想的错误；第二个就是要注意算法的复杂度。一个程序没有bug，但是因为算法不够优化，最后要很长时间才能得出结果，发生这种事呢，大家都不想的。这里就从斐波那契数列入手，来讲讲算法的时间复杂度。
0. 准备工作： Landau符号
Landau符号其实是由德国数论学家保罗·巴赫曼（Paul Bachmann）在其1892年的著作《解析数论》首先引入，由另一位德国数论学家艾德蒙·朗道（Edmund Landau）推广。Landau符号的作用在于用简单的函数来描述复杂函数行为，给出一个上或下（确）界。在计算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。这里的O，最初是用大写希腊字母，但现在都用大写英语字母O；小o符号也是用小写英语字母o，Θ符号则维持大写希腊字母Θ。
f (n) = Ο(g (n)) 表示存在一个常数C，使得在当n趋于正无穷时总有 f (n) ≤ C * g(n)。简单来说，就是f(n)在n趋于正无穷时最大也就跟g(n)差不多大。虽然对g(n)没有规定，但是一般都是取尽可能简单的函数。例如，O(2n^2+n +1) = O (3n^2+n+3) = O (7n^2 + n) = O ( n^2 ) ，一般都只用O(n^2)表示就可以了。注意到大O符号里隐藏着一个常数C，所以g(n)里一般不加系数。如果把f(n)当做一棵树，那么O(g(n))所表达的就是树干，只关心其中的主干，其他的细枝末节全都抛弃不管。
在时间复杂度计算中常见的级别有O(1)， O(log n) ， O(n), O(n * log n) , O(n^k)， O(a^n), O(n!)，其大小逐级上升：
注意到所有的对数只不过相差一个常数，所以这里都用了常用对数。另外一般程序只处理32位的数据，因此最大整数是2^32-1，大约等于10^9。因此log n可以认为是近似等于10的常数，也就是说O(log n)的近似等于O(1)，O(n * log n)近似等于O(n)，这点也在上表中有所反应。
全国有10^9个人，一个人大约有10^14个细胞，一摩尔基本粒子中有10^24个（大致相当于全国人民身上的细胞总数），宇宙中大概有10^80个基本粒子，所以上表中的某些数字，你懂的……
1 算法的时间复杂度
好了，了解了Landou或者叫大O符号，我们就可以来讨论算法的时间复杂度了。一个算法，对于一个规模是n的输入，需要T(n)的时间进行运算。T(n)的具体值，一方面取决于算法，另一方面和计算用的工具也有关。但我们关心的是，当n扩大100倍以后，T(n)是几乎不变，还是扩大了100倍、10000倍或者怎样。也就是说，我们关心的是规模扩大后，运算时间增长得有多快，是一个相对的结果，而不是绝对结果。
建立一个空列表，需要的时间总是固定的，就是O(1)；如果有一句for或者while的语句，把同一行代码运算了n次，那么就是O(n)级的复杂度；如果for下面还有for，各自要算n次，那么就是n^2的复杂度，以此类推。
复杂度举例：
* O(1) 常数级复杂度，也就是说程序运行的时间与需要处理的数据大小无关。通常把比较大小、加减乘除等简单的运算都当做常数级复杂度。 值得注意的是，在处理大数（二进制下数据长度超过32位或者十进制下超过8位）时，将加减乘除等运算当做常数复杂度不再适用。
* O(log n) 将一个10进制整数转化为2进制整数
* O(n)：判断一个元素是否属于一个大小为n的集合/列表；找出n个数中的最大值；
* O(n * log n) 快速排序法
* O(n^2) 最直白的两两比较然后排序方法，需要n*(n-1)/2次比较，所以是O(n^2)级。
* O(2^n) 列出所有长度为n的0,1字符串之类的穷举计算
* O(n!) 列出n个元素的全排列之类的穷举计算
一般来说多项式级的复杂度是可以接受的，很多问题都有多项式级的解——也就是说，这样的问题，对于一个规模是n的输入，在n^k的时间内得到结果，称为P问题。有些问题要复杂些，没有多项式时间的解，但是可以在多项式时间里验证某个猜测是不是正确。比如问4294967297是不是质数？如果要直接入手的话，那么要把小于4294967297的平方根的所有素数都拿出来，看看能不能整除。还好欧拉告诉我们，这个数等于641和6700417的乘积，不是素数，很好验证的，顺便麻烦转告费马他的猜想不成立。大数分解、Hamilton回路之类的问题，都是可以多项式时间内验证一个“解”是否正确，这类问题叫做NP问题。（据信程序猿找妹子也是一个NP问题。。）
P问题显然都是NP问题——既然你能在多项式时间里得到答案，那么只要比较一下答案和猜测是不是一样就可以验证一个解。反过来，多数人相信，NP问题不都是P问题。几个月前看到一篇论文说NP不等于P，但没有看到后续报道，也读不懂原文，摊手……如果NP问题都是P问题，那么大数分解不再是难题，从而基于大数分解的RSA加密系统顿时崩溃；同样md5算法也不再有效，甚至现在所有的多项式复杂度的加密算法都没用了——不过这样一来程序猿也可以方便地找到妹子了，说起来并不是一无是处嘛……
2 斐波那契数列
早在1150年印度科学家Gopala就研究过斐波那契数列，但正如Landau抢走了Landau符号的命名一样，斐波那契也获得了不属于他的数列的冠名权。斐波那契数列是和兔子紧紧联系在一起的。 斐波那契的兔子是这样的一个模型：一开始有一对小兔子。小兔子需要一个月以后才能长成大兔子从而拥有生育能力；所有拥有生育能力的大兔子每个月都会生一对小兔子。所有的兔子都长生不老，问第n个月一共有多少兔子呢？
维基百科词条中有这样一张直观的图：
让我们列一个表来看看每个月大兔子小兔子各有多少只：
从表中我们可以找到这样的规律：
F(n)=F(n-1)+F(n-2)
这就是斐波那契数列的递推公式，可以用数学归纳法证明。
利用一些数学工具我们可以得到斐波那契数列的通项公式：
其中小括号里的两个数是方程 x^2-x-1=0的解，跟著名的黄金分割比有密切的关系。
用上面的Landau符号，有F(n) = O(^n)，其中是黄金分割比：
所以说，兔子的增长速度还是非常快的……
斐波那契数列还可以通过下面的矩阵乘方来实现，这点会在后面的算法中用到。对矩阵不熟悉的读者，暂时可以认为这里2阶矩阵的乘法是两组4元数组之间的运算，结果仍然是一组4元数组；对于相同的矩阵（4元数组），这个运算满足交换律和结合律。
3 三种程序计算斐波那契数列第n项
第一种算法，too simple, sometimes naif，直接从递推公式下手：
def fibo_1(n):
‘‘‘
简单递归方法求斐波那契数列第n项。
输入变量n应当为正整数。(对非法输入没有警告）
‘‘‘
if n < 3:
res=1 #设定初始状态：F(1)=F(2)=1
else:
res=fibo_1(n-1)+fibo_1(n-2) #递归公式
return res
这样计算的复杂度是怎样能？让我们看看递归次数：
可以看到计算F(n)，需要的递归次数是F(n-2)。
指数级的复杂度啊……
不行不行，我要提高自身修养，看看第二个算法：
def fibo_2(n):
‘‘‘
通过递归方法求斐波那契数列第n项
变量n应当为正整数。（对非法输入没有警告）
记录最后两项计算结果
‘‘‘
a=1
b=1 #设定初始状态，a=F(1),b=F(2)
for i in range(2,n):
a,b=a+b,a # 由数学归纳法易得第i步中a=F(i),b=F(i-1)
return a #循环结束时i=n，a=F(n)
分析：这次好多了，for语句，循环n-2次，O(n)级的复杂度。
最后来个利用矩阵乘方的算法，只需要O(log n)的复杂度，可以跟美国的那个谁谈笑风生了：
def fibo_3(n):
‘‘‘
将求斐波那契数列转化为求2阶矩阵n次幂问题。
‘‘‘
def prod(m1,m2):
‘‘‘
两个矩阵的乘积
‘‘‘
a1,b1,c1,d1=m1
a2,b2,c2,d2=m2
return (a1*a2+b1*c2,a1*b2+c1*d2,a2*c1+c2*d1,b2*c1+d1*d2)
def pui(m,n):
‘‘‘
求一个矩阵m的n次幂。
如n=2k+1，则m^n=(m^k)^2*m;
如n=2k，则m^n=(m^k)^2。
‘‘‘
if n == 1:
return m
else:
res=pui(m,n//2) #上述的k=n//2，//表示带余除法的商，例如 5//2 = 2
res=prod(res,res) #得到上述的(m^k)^2
if n%2==1: # n%2表示n被2除的余数
res=prod(res,m) #如果n是奇数，那么结果还要再乘以m
return res
m=(1,1,1,0) #初始化矩阵
(a,b,c,d)=pui(m,n-1) # n次幂的第一项是F(n+1)
return a
这里用到的乘方算法，对于奇数2k+1，只要先算k次幂，然后自乘，再乘以最初的矩阵；对于偶数2k，只需先算k次幂，然后自乘即可。而计算k次幂时仍然可以采用上面的算法。如果n在2进制表达中一共有m位，并且其中有l个1，那么一共需要进行m+l次乘法，小于2*m=O(log n)。
多说无益，让我们来看看三种算法处理相同规模的输入各自要多少时间：
def timing(f,n):
‘‘‘计算f(n)需要多少时间‘‘‘
import time #载入时间模块
t1=time.time() #读取当前时刻（计算开始时刻）
res=f(n) #计算f(n)
t2=time.time() #再次读取当前时刻（计算结束时刻）
return t2-t1 #两次时刻差值既是计算f(n)所需要的时间，单位为秒
第一种天然呆的算法果然弱爆了，算F(30)就要0.6秒；第二种算法算十万要3秒多；第三种算法算一百万也不过3秒不到。上面的算法有一个问题，就是明明第二种算法是线性的，第三种算法是对数级的，但是当我尝试多加一个0时，所需要的时间完全不能忍受，不得不强制停止，大大超过按照前几次测试推算的结果。为什么呢？答案就在于，斐波那契的兔子繁殖特别快，中间过程的数值很快超过了2^32，python不得不启用了大数运算。而数字越大，进行乘法、加法运算所需要的时间也越长，不能再当做常数时间。那么让我们来看看下面这个简化，只求计算结果的末7位，也就是说利用求余数的方法把所有的数字都限制在10^8以内：
def fibo_1_bis(n):
‘‘‘
简单递归方法求斐波那契数列第n项。
输入变量n应当为正整数。(对非法输入没有警告）
‘‘‘
if n < 3:
res=1 #设定初始状态：F(1)=F(2)=1
else:
res=(fibo_1(n-1)+fibo_1(n-2))%100000000 #递归公式
return res
def fibo_2_bis(n):
‘‘‘
通过递归方法求斐波那契数列第n项
变量n应当为正整数。（对非法输入没有警告）
记录最后两项计算结果
‘‘‘
a=1
b=1 #设定初始状态，a=F(1),b=F(2)
for i in range(2,n):
a,b=(a+b)%100000000,a # 由数学归纳法易得第i步中a=F(i),b=F(i-1)
return a #循环结束时i=n，a=F(n)
def fibo_3_bis(n):
‘‘‘
将求斐波那契数列转化为求2阶矩阵n次幂问题。
‘‘‘
def prod(m1,m2):
‘‘‘
两个矩阵的乘积
‘‘‘
a1,b1,c1,d1=m1
a2,b2,c2,d2=m2
return ((a1*a2+b1*c2)%100000000,(a1*b2+c1*d2)%100000000,(a2*c1+c2*d1)%100000000,(b2*c1+d1*d2)%100000000)
def pui(m,n):
‘‘‘
求一个矩阵m的n次幂。
如n=2k+1，则m^n=(m^k)^2*m;
如n=2k，则m^n=(m^k)^2。
‘‘‘
if n == 1:
return m
else:
res=pui(m,n//2) #上述的k=n//2，//表示带余除法的商，例如 5//2 = 2
res=prod(res,res) #得到上述的(m^k)^2
if n%2==1: # n%2表示n被2除的余数
res=prod(res,m) #如果n是奇数，那么结果还要再乘以m
return res
m=(1,1,1,0) #初始化矩阵
(a,b,c,d)=pui(m,n-1) # n次幂的第一项是F(n+1)
return a
再来看看需要多少时间：
可以看到第一种算法需要的时间基本满足斐波那契的递推公式，和前面的预测相符；第二种算法需要的时间也和预测的线性增长相符；第三种算法，不管我输入多少个0，都是瞬间给出答案，O(log n)级的算法真心屌爆了有没有！！！
附python文件fibo.py下载地址：
