趣味算法-03-跟着作者读《趣味算法(第2版)》-算法之美

简介: 本文是系列博客的第3篇,是听了陈老师的报告后的记录,主要包括如何学习算法。

第1章 算法之美

1.1 想象算法的美

说到算法,我们想到的是什么,无论你想到的是什么,我希望你想到的是躺在法国普罗旺斯小镇的长椅上,呷(xia)一口红酒,闭上眼睛,体会舌尖上的美味,感受鼻腔中满溢的薰衣草的芳香…

1.2 算法特点

写一个算法,求如下序列之和:

− 1 , 1 , − 1 , 1 , . . . , ( − 1 ) n -1,1,-1,1,...,(-1)^n−1,1,−1,1,...,(−1) n

常见的算法就是写一个while循环,然后依次相加即可,这种方式可以求得结果,但需要计算n次:

arr = [-1,1,-1,1,-1]
arr_sum = 0
for i in range(1,len(arr)+1):
    arr_sum += pow(-1,i)
    print(arr_sum)

如果采取-1+1 = 0 ,如果长度为偶数,结果为0,否则为-1:

arr = [-1,1,-1,1,-1]
arr_sum = 0
arr_len = len(arr)
if (arr_len % 2==0):
    print(0)
else:
    print(-1)

第一种算法需要执行n次,第二种算法需要执行1次,后者就是数学家高斯所使用的算法

需要说明的是,笨方法也是算法高斯使用的方法也是算法

算法具有如下特性

有穷性:算法是若干质量组成的又穷序列,总是会执行若干次后结束

确定性:每条语句都有明确的含义,无歧义

可行性:算法再当前环境条件下可以通过有限次运算来实现

输入/输出:有0或多个输入以及1个或多个输出

好的算法的标准:


正确性:正确性是指算法能够满足具体问题的需求,程序运行正常,无语法错误,能够通过典型的软件测试,达到预期。

易读性:算法遵循标识符命名规则,简洁易懂,注释语句恰当适量,方便自己和他人阅读,便于后期调试和修改。

健壮性:算法对非法数据及操作有较好的反应和处理。例如,在学生信息管理系统中登记学生年龄时,若将21岁误输入为210岁,则系统应该有错误提示。

高效性:高效性是指算法运行效率高,即算法运行所消耗的时间短。

低存储性:低存储性是指算法所需的存储空间小。对于像手机、平板电脑这样的嵌入式设备,算法如果占用空间过大,则无法运行。算法占用的空间大小被称为空间复杂度。

正确性,易读性,健壮性是在我们完成了算法的基础上,适当提高下工程标准即可。但时间复杂度和空间复杂度的优化就有一定的难度了。

1.3 算法的时间和空间复杂性

时间复杂度是按照计算机支持的次数来衡量的,如上面的例子中,笨方法中,对于n条数据,需要执行n次循环才能获得结果,其时间复杂度为O ( n ) O(n)O(n),高斯所用的方法中,对于n条数据,需要执行1次,即复杂度为常数。

大O OO符号表示法中,时间复杂度的公式是: T ( n ) = O ( f ( n ) ) T(n) = O( f(n) )T(n)=O(f(n)),其中f ( n ) f(n)f(n) 表示每行代码执行次数之和,而 O OO 表示正比例关系,这个公式的全称是:算法的渐进时间复杂度。常见的时间复杂度包括:


image.png

1669299172(1).png


上面从上至下依次的时间复杂度越来越大,执行的效率越来越低。

针对算法时间复杂度,还可以分为

1669299240(1).png

空间复杂度:算法在运行过程中占用的空间大小,包括:


输入输出数据

算法本身

额外需要的辅助空间

输入/输出数据占用的空间是必须的,算法本身占用的空间可以通过精简算法来缩减,但缩减的量很有限。算法在运行时所使用的辅助变量占用的空间(辅助空间)才是衡量算法空间复杂度的关键因素。

1.4 神奇的兔子序列

假设第1个月有1对初生的兔子,第2个月进入成熟期,第3个月开始生育兔子,而1对成熟的免子每月会生1对兔子,兔子永不死去.那么,由1对初生的免子开始, 12个月后会有多少对兔子呢?

兔子数列即斐波那契数列,它的发明者是意大利数学家莱奥纳尔多斐波那契(Leonardo Fibonacci, 1170-1250) 。1202年,莱奥纳尔多撰写了《算盘全书》(Liber Abaci),该书是一部较全面的初等数学著作。书中系统地介绍了印度一阿拉伯数码及其演算法则,以及中国的“盈不足术”;此外还引入了负数,并研究了一些简单的一次同余式组。


提示:简单描述OR总结所学习的算法知识点,可列举文字/图片/视频教程

算法题目来源

《趣味算法第2版》斐波那契数列 问题

算法题目描述


假设第1个月有1对初生的兔子,第2个月进入成熟期,第3个月开始生育兔子,而1对成熟的免子每月会生1对兔子,兔子永不死去.那么,由1对初生的免子开始, 12个月后会有多少对兔子呢?

兔子数列即斐波那契数列,它的发明者是意大利数学家莱奥纳尔多斐波那契(Leonardo Fibonacci, 1170-1250) 。1202年,莱奥纳尔多撰写了《算盘全书》(Liber Abaci),该书是一部较全面的初等数学著作。书中系统地介绍了印度一阿拉伯数码及其演算法则,以及中国的“盈不足术”;此外还引入了负数,并研究了一些简单的一次同余式组。

做题思路

把上面的数列用图展示:


这个数列的特点是:


模板代码

def fib(n):
    if (n==1 or n ==2):
        return 1
    return fib(n-1) + fib(n-2)
x = fib(3)
print(x)

做题过程中遇到的bug及解决方案

目前实现了算法,但没有考虑时间复杂度,如何快速的找到数列的内在规律,并结合算法设计,需要日积月累的努力,切不可大意。

时间复杂度计算

针对斐波那契数列,上面模板中时间复杂度T ( n ) T\left(n\right)T(n)为:

算法改进

def fib2(n):
    if n <2 :
        return 1
    list1 = [1 for x in range(0,n)]
    for i in range(2,n):
        list1[i] = list1[i-1] + list1[i-2]
    print(list1)
    return list1[n-1]
x = fib2(3)
print(x)

这种算法中,时间复杂度从指数阶 降到了 O ( n ) O(n)O(n),效率提升了很多


题外话:

斐波那契数列的最后两项比值接近于0.618黄金分割

1÷1 = 1

1÷2 = 0.5

2÷3 = 0.66

3÷5 = 0.6

5÷8 = 0.624

55÷89 = 0.6117977

144÷233 = 0.618025

相关文章
|
机器学习/深度学习 算法 数据挖掘
趣味算法-01-跟着作者读《趣味算法(第2版)》上
本系列博客主要阅读《趣味算法(第2版)》时的所听所想所感
趣味算法-01-跟着作者读《趣味算法(第2版)》上
|
机器学习/深度学习 算法
趣味算法-04-跟着作者读《趣味算法(第2版)》-贪心算法
本文是系列博客的第4篇,是听了陈老师的报告后的记录,主要包括如何学习算法。
趣味算法-04-跟着作者读《趣味算法(第2版)》-贪心算法
|
机器学习/深度学习 算法 搜索推荐
趣味算法-01-跟着作者读《趣味算法(第2版)》下
本文是系列博客的第2篇,是听了陈老师的报告后的记录,主要包括如何学习算法。
趣味算法-01-跟着作者读《趣味算法(第2版)》下
|
2月前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
203 0
|
2月前
|
数据采集 分布式计算 并行计算
mRMR算法实现特征选择-MATLAB
mRMR算法实现特征选择-MATLAB
152 2
|
3月前
|
传感器 机器学习/深度学习 编解码
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
203 3
|
3月前
|
存储 编解码 算法
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
132 6
|
2月前
|
机器学习/深度学习 算法 机器人
使用哈里斯角Harris和SIFT算法来实现局部特征匹配(Matlab代码实现)
使用哈里斯角Harris和SIFT算法来实现局部特征匹配(Matlab代码实现)
141 8
|
2月前
|
机器学习/深度学习 算法 自动驾驶
基于导向滤波的暗通道去雾算法在灰度与彩色图像可见度复原中的研究(Matlab代码实现)
基于导向滤波的暗通道去雾算法在灰度与彩色图像可见度复原中的研究(Matlab代码实现)
153 8
|
2月前
|
机器学习/深度学习 算法 数据可视化
基于MVO多元宇宙优化的DBSCAN聚类算法matlab仿真
本程序基于MATLAB实现MVO优化的DBSCAN聚类算法,通过多元宇宙优化自动搜索最优参数Eps与MinPts,提升聚类精度。对比传统DBSCAN,MVO-DBSCAN有效克服参数依赖问题,适应复杂数据分布,增强鲁棒性,适用于非均匀密度数据集的高效聚类分析。

热门文章

最新文章