标签：
本栏目（Algorithms）下MIT算法导论专题是个人对网易公开课MIT算法导论的学习心得与笔记。所有内容均来自MIT公开课Introduction to Algorithms中Charles E. Leiserson和Erik Demaine老师的讲解。（http://v.163.com/special/opencourse/algorithms.html）
第一节-------课程简介及算法分析 Analysis of algorithm
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。
第一节课的内容相对来说比较简单，但是大牛就是大牛，能够把抽象的东西说的相当形象，让人过目不忘的同时去思考背后的原理。总结一下，主要有以下几个知识点。
1.算法分析的主要内容是效率，有比效率更重要的吗？当然有，比如正确性、可维护性、可扩展性、健壮性、安全性等等，可以想象得到以前很多在软件工程中谈论到的重要的东西。既然如此，为什么还要进行算法的效率分析呢？在课上老师说了一个很有意思的比方，你认为钱重要还是水和饭重要？当然是水和饭，钱是不能保证人的生存的，但是钱却可以换来水和饭。而算法分析中的“效率”就相当于“钱”，你可以用“效率”来换取其他东西，比如安全性，稳定性等等。它只是一个交换物，但我们，却离不开它。
2.衡量效率的因素。既然效率如此重要，我们用什么因素来衡量一个程序效率的高低呢？运行时间。对于同一组输入，你的程序运行时间比别人的短，就说明你的程序在这组数据集上的效率比别人的高。
对于运行时间，需要考虑的因素有如下三个：
a、数据的输入情况。例如，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；
b、数据的规模。很显然，短的序列要比长序列更容易排序；
c、找到运行时间上界。一般情况下，我们需要找到这个程序对于最坏的输入数据的情况下，运行时间是多长。毕竟，每个人都想得到一个guarantee。
3.几种分析运行时间的方法T(n)。
Worst-case:(usually) —— 用T(n)来表示算法在输入规模为n时的最大运行时间。它的作用就是你可以用它来给别人做出承诺，即我的算法在最坏的情况下的运行时间也不会超过T(n)。
Average-case:(sometimes)—— 用T(n)来表示算法在所有输入规模为n的序列的运行时间的一个期望值。当然它的前提是假设输入的统计概率分布，也就是说对于一个规模为n的输入数据，它所有的排列方式出现的概率是相等的。
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。
4.Big Idea——渐近分析。
我们通常所说的运行时间，都会存在一个相对时间与绝对时间的区别。比如在一台巨型机和在一台微机上运行同一个程序，所用的时间显示是不同的。这是我们就需要引入一个更加宏观的概念：渐近分析——对于一个算法的运行时间，忽略那些依赖于机器的常量；忽略所有的低阶项，只分析最高阶项；关注于运行时间的增长，而不仅仅只是运行时间。引入一个助记符号θ(n)，举一个例子：如果一个算法的运行时间为：3n^3 + 2n^2 + 4n + 1，那么忽略掉依赖机器的常量1，以及所有的低阶项2n^2、4n，那么这个算法的时间复杂度就为θ(n^3)。
在这里，老师也进行了很形象的说明。如果算法A的渐近时间复杂度是θ(n^3)，算法B的是θ(n^2)，那么一定存在一个足够大的n，使得当数据规模大于n时，算法B的运行时间要小于A，不管算法A一开始的优势有多么大，不管算法B的渐近复杂度的系数和常数有多么大，都没有用。用这样一个助记符就可以将时间复杂度的分析独立于机器，独立于具体的常数，对我们分析算法将会十分有利。
5.两个例子——插入排序、归并排序
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。
上面就是插入排序的伪代码，用缩进代表算法的层次。对插入排序做渐近分析，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级别的。
所谓归并排序，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。
下图是归并排序的伪代码以及算法渐近分析。
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：
那么，我们看一下上面第三幅图，第一行的时间和为Cn，第二行的时间和为C(n/2)+C(n/2) = Cn，...，第lgn行的时间的和为θ(n)。其中，lgn为树的高度，简单分析即可得出。
那么一共lgn行，每行时间和为Cn，简单计算即可知这棵递归树的总的时间和(即算法的渐近时间和)为 (Cn)lgn + θ(n)，忽略低阶项θ(n)，即算法的渐近时间复杂度为θ(nlgn)。
讲到这里，第一节的内容也就快结束了。老师最后给出了一个结论：归并排序能够在效率上当输入规模n增大的时候渐近的超过插入排序，在最坏的情况下。实际上，当n>30以及以上的时候，归并排序的效率就比插入排序的效率要高了。Go test it out for yourself!
关于Introduction to Algorithms更多的学习资料将继续更新，敬请关注本博客和新浪微博Sheridan。
MIT算法导论——第一讲.Analysis of algorithm
标签：
原文地址：http://www.cnblogs.com/little-aladdin/p/4923632.html
