<数据结构与算法分析>读书笔记--运行时间计算
有几种方法估计一个程序的运行时间。前面的表是凭经验得到的(可以参考:<数据结构与算法分析>读书笔记--要分析的问题)
如果认为两个程序花费大致相同的时间，要确定哪个程序更快的最好方法很可能将它们编码并运行。
一般地，存在几种算法思想，而我们总愿意尽早除去那些不好的算法思想，因此，通常需要分析算法。不仅如此，进行分析的能力常常提供对于设计有效算法的洞察能力。一般说来，分析还能准确地确定瓶颈，这些地方值得仔细编码。
为了简化分析，我们将采纳如下的约定:不存在特定的时间单位。因此，我们抛弃一些前导的常数。我们还将抛弃低阶项，从而要做的就计算大O运行时间。由于大O是一个上界，因此我们必须仔细，绝不要低估程序的运行时间。实际上，分析的结果为程序在一定的时间范围内能够终止运行提供了保障。程序可能提起结束，但绝不可能错后。
一、一个简单的例子
package cn.simple.example; public class SimpleExample { public static int sum(int n) { int partialSum; 1 partialSum = 0; 2 for(int i = 1; i <= n;i++) 3 partialSum = i * i *i; 4 return partialSum; } }
对这个程序段的分析是简单的。所有的声明均不计时间。第1行和第4行各占一个时间单元。第3行每执行一次占用4个时间单元(两次乘法，一次加法和一次赋值)，而执行N次共占用4N个时间单元。第2行在初始化i、测试i<=N和对i的自增运算隐含着开销。所有这些的总开销是初始化1个单元时间，所有的测试为N+1个单元时间，而所有的自增运算为N个单元时间，共2N+2个时间单元。我们忽略调用方法和返回值的开销，得到总量是6N+4个时间单元。因此，我们说该方法是O(N)。
如果每次分析一个程序都要演示所有这些工作，那么这项任务很快就会变成不可行的负担。幸运的是，由于我们有了大O的结果，因此就存在许多可以采取的捷径，并且不影响最后的结果。例如，第3行(每次执行时)显然是O(1)语句，因此精确计算它究竟是2、3还是4个时间单元是愚蠢的。这无关紧要。第1行与for循环相比显然是不重要的，所以在这里花费时间也是不明智的。这使我们得到若干一般法则。
二、一般法则
法则1-for循环
一个for循环的运行时间至多是该for循环内部那些语句(包括测试)的运行时间乘以迭代的次数。
法则2-嵌套的for循环
从里向外分析，在一组嵌套循环内部的一条语句总的运行时间为该语句的运行时间乘以该组所有的for循环的大小的乘积。
例如:下列程序片段为O(N的2次方):
for(i=0;i<n;i++) for(j =0;j<n;j++) k++
法则3-顺序语句
将各个语句的运行时间求和即可(这意味着，其中的最大值就是所得的运行时间)
例如:下面的程序片段先花费O(N)，接着是O(N的2次方)，因此总量也是O(N的次方):
for(i=0;i<n;i++) a[i]=0; for(i=0;i<n;i++) for(j=0;j<n;j++) a[i]+=a[j]+i+j;
法则4-if/else语句
对于程序片段
if(condition) S1 else S2
一个if/else语句的运行时间从不超过判断的运行时间再加上S1和S2中运行时间长者的总的运行时间。
显然在某些情形下这么估计有些过头，但决不会估计过低。
其他的法则都是显然的，但是，分析的基本策略是从内部(或最深层部分)向外展开工作的。如果有方法调用，那么要首先分析这些调用。如果有递归过程，那么存在几种选择。若递归实际上只是被薄棉纱遮住的for循环，则分析通常是很简单的。例如，下面的方法实际上就是一个简单的循环从而其运行时间为O(N):
public static long factorial(int n) { if(n <= 1) return 1; else return n*factorial(n-1); }
实际上这个例子对递归的使用并不好。当递归被正常使用时，将其转换成一个循环结构是相当困难的。在这种情况下，分析将涉及求解一个递推关系。为了观察到这种可能发生的情形，考虑下列程序，实际上它对递归使用的效率低得令人惊诧。
public static long fib(int n) { 1 if(n<=1) 2 return 1; else 3 return fib(n-1) +fib(n-2); }
初看起来，该程序似乎对递归的使用非常聪明。可是，如果将程序编码并在N值为40左右时运行，那么这个程序让人感到低得吓人。分析是十分简单的。令T(N)为调用函数fib(n)的运行时间。如果N=0或N=1，则运行时间是某个常数值，即第一行上做判断以及返回所用的时间。因为常数并不重要，所以我们可以说T(0)=T(1)=1。对于N的其他值的运行时间则相对于基准情形的运行时间来度量。若N>2，则执行该方法的时间是第1行上的常数工作加上第3行上的工作。第3行由一次加法和两次方法调用组成。由于方法调用不是简单的运算，因此必须用它们自己来分析它们。第一次方法调用是fib(n-1)，从而按照T的定义它需要T(N-1)个时间单位。类似的论证指出，第二次方法调用需要T(N-2)个时间单位。此时总的时间需求为T(N-1)+T(N-2)+2，其中2指的是第1行上的工作加上第3行上的加法。于是对于N>=2，有下列关于fib(n)的运行时间公式:
T(N)=T(N-1)+T(N-2)+2
但是fib(N)=fib(N-1)+fib(N-2)，因此由归纳法容易证明T(N)>=fib(N)。之前我们证明过fib(N)<(5/3)的N次方，类似的计算可以证明(对于N>4)fib(N)>=(3/2)的N次方，从而这个程序的运行时间以指数的速度增长。这大致是最坏的情况。通过保留一个简单的数组 并使用一个for循环，运行时间可以显著降低。
这个程序员之所以运行缓慢，是因为存在大量多余的工作要做，违反了之前叙述的递归的第四条主要法则(合成效益法则)。注意，在第3行上的第一次调用即fib(n-1)实际上在某处计算fib(n-2)。这个信息被抛弃而在第3行上的第二次调用时又重新计算了一遍。抛弃的信息量递归第合成起来并导致巨大的运行时间。这或许是格言，“计算任何事情不要超过一次”的最好实例，但它不应使你被吓得远离递归而不敢使用。
《数据结构与算法分析》这本书确实不太好读，通过将边看边用记录，总算还是注意力比较集中。但愿能够使我痛苦的能够使我变得强大。
示例代码库:https://github.com/youcong1996/The-Data-structures-and-algorithms/tree/master/algorithm_analysis
