mirror of
https://github.com/krahets/hello-algo.git
synced 2024-12-26 02:26:28 +08:00
43 lines
3.4 KiB
Markdown
43 lines
3.4 KiB
Markdown
---
|
|
comments: true
|
|
---
|
|
|
|
# 算法效率评估
|
|
|
|
## 算法评价维度
|
|
|
|
在开始学习算法之前，我们首先要想清楚算法的设计目标是什么，或者说，如何来评判算法的好与坏。整体上看，我们设计算法时追求两个层面的目标。
|
|
|
|
1. **找到问题解法。** 算法需要能够在规定的输入范围下，可靠地求得问题的正确解。
|
|
2. **寻求最优解法。** 同一个问题可能存在多种解法，而我们希望算法效率尽可能的高。
|
|
|
|
换言之，在可以解决问题的前提下，算法效率则是主要评价维度，包括：
|
|
|
|
- **时间效率** ，即算法的运行速度的快慢。
|
|
- **空间效率** ，即算法占用的内存空间大小。
|
|
|
|
数据结构与算法追求 “运行得快、内存占用少” ，而如何去评价算法效率则是非常重要的问题。
|
|
|
|
## 效率评估方法
|
|
|
|
### 实际测试
|
|
|
|
假设我们现在有算法 A 和 算法 B ，都能够解决同一问题，现在需要对比两个算法之间的效率。我们能够想到的最直接的方式，就是找一台计算机，把两个算法都完整跑一遍，并监控记录运行时间和内存占用情况。这种评估方式能够反映真实情况，但是也存在很大的硬伤。
|
|
|
|
**难以排除测试环境的干扰因素。** 硬件配置会影响到算法的性能表现。例如，在某台计算机中，算法 A 比算法 B 运行时间更短；但换到另一台配置不同的计算机中，可能会得到相反的测试结果。这意味着我们需要在各种机器上展开测试，而这是不现实的。
|
|
|
|
**展开完整测试非常耗费资源。** 随着输入数据量的大小变化，算法会呈现出不同的效率表现。比如，有可能输入数据量较小时，算法 A 运行时间短于算法 B ，而在输入数据量较大时，测试结果截然相反。因此，若想要达到具有说服力的对比结果，那么需要输入各种体量数据，这样的测试需要占用大量计算资源。
|
|
|
|
### 理论估算
|
|
|
|
既然实际测试具有很大的局限性，那么我们是否可以仅通过一些计算，就获知算法的效率水平呢？答案是肯定的，我们将此估算方法称为「复杂度分析 Complexity Analysis」或「渐近复杂度分析 Asymptotic Complexity Analysis」。
|
|
|
|
**复杂度分析评估随着输入数据量的增长，算法的运行时间和占用空间的增长趋势** 。根据时间和空间两方面，复杂度可分为「时间复杂度 Time Complexity」和「空间复杂度 Space Complexity」。
|
|
|
|
**复杂度分析克服了实际测试方法的弊端。** 一是独立于测试环境，分析结果适用于所有运行平台。二是可以体现不同数据量下的算法效率，尤其是可以反映大数据量下的算法性能。
|
|
|
|
## 复杂度分析的重要性
|
|
|
|
复杂度分析给出一把评价算法效率的 “标尺” ，告诉我们执行某个算法需要多少时间和空间资源，也让我们可以开展不同算法之间的效率对比。
|
|
|
|
计算复杂度是个数学概念，对于初学者可能比较抽象，学习难度相对较高。从这个角度出发，其并不适合作为第一章内容。但是，当我们讨论某个数据结构或者算法的特点时，难以避免需要分析它的运行速度和空间使用情况。**因此，在展开学习数据结构与算法之前，建议读者先对计算复杂度建立起初步的了解，并且能够完成简单案例的复杂度分析**。
|