算法基础（I）-二分搜索算法、牛顿法

作者: wopen | 来源:发表于2018-12-22 16:46 被阅读29次

算法基础（I）-二分搜索算法、牛顿法
算法-二分搜索算法
day17_选择排序_数组的搜索算法
算法汇总
算法与数据结构简介
二叉树的插入和搜索--python实现
算法之折半查找（二分法）
解析前端面试之二分查找算法
刷前端面经笔记（九）
10个常用算法

什么是算法？

算法的定义是完成一项任务的一系列步骤，就像一份食谱，第一步干什么，第二步干什么... 在计算机科学中，算法是完成一个任务的一系列步骤，对于完成一个任务，有好的算法也有坏的算法，找到一个优秀的算法可以让任务高效的完成。一个好的算法要满足两点正确性和高效，但是有时候也不要去完全正确足够好就行，比如一项任务要得到一个完全正确结果需要非常长的时间。

找到立方根

给一个数 $n$ 怎么找到它的立方根呢？我们知道无法找到随便一个数的精确立方根，所以我们可以接受一定误差。

我们可以让 $x$ 从0开始不断的增加它的大小，看它的三次方有多接近 $n$ ，找出最接近 $n$ 的数。

def cuberoot(n):
    inc = 0.001 # 每次递增的数，越小精度越大
    eps = 0.01 # 可接受的误差范围
    ans = 0.0
    while abs(ans ** 3 - n) >= eps and ans < abs(n):
        ans += inc
    if n < 0: ans *= -1
    return ans

可以猜到当 $n$ 很大时，这个算法需要的时间就非常长。那么有什么更好的算法？

二分搜索算法

二分搜索算法（binary search）也叫折半搜索，是一种在有序数组中查找某一特定元素的搜索算法。从数组的中间开始寻找，看是不是要找的数，如果不是就看这个数字是大于还是小于要找的数，然后把不对的那一半扔掉。这个算法每次都搜索范围缩小一半，所以是一个非常快的算法。

image

上面找到立方根问题用二分搜索算法解决就是这样，

def cuberoot(n):
    eps = 0.01
    low = 0.0 # 下界
    high = n # 上界
    ans = (low + high) / 2
    while abs(ans ** 3 - n) >= eps:
        if ans ** 3 < n:
            low = ans
        else:
            high = ans
        ans = (low + high) / 2
    if n < 0: ans *= -1
    return ans

对比原来的算法可以看到，二分搜索算法快多了，原来到迭代几千次，现在十几次就行了！但是还有没有更快的算法呢？

牛顿法

牛顿法（Newton's method）又称为牛顿-拉弗森方法（Newton-Raphson method）。简单来说牛顿法可以快速的找到任何多项式的根（不光是立方根）。比如我们要找到25的平方根，首先找到一个多项式 $p(x)=x^2-25$ 满足 $p(r)=0$ ，并对它求导得到 $p'(x)=2x$ ，牛顿法告诉我们如果一个数 $g$ 很接近它的根，那么 $g-\frac{p(g)}{p'(g)}$ 就更加接近它的根。

def cuberoot(n):
    eps = 0.01
    g = n / 3 # 随便猜个数
    while abs(g ** 3 - n) >= eps:
        g = g - (g ** 3 - n) / (g ** 2 * 3)
    return g

可以看到代码很紧凑，但是非常快比二分搜索算法还要快！

大O符号

上面的方法都解决同一个问题，但是速度有快有慢，那么我们怎么描述一个算法的快慢？

我们需要根据输入大小确定算法需要多长时间。
我们必须知道函数随输入大小增长的速度。

大O符号（Big O notation），又称为渐进符号，是用于描述函数渐近行为的数学符号。更确切地说，它是用另一个（通常更简单的）函数来描述一个函数数量级的渐近上界。在数学中，它一般用来刻画被截断的无穷级数尤其是渐近级数的剩余项；在计算机科学中，它在分析算法复杂性的方面非常有用。

大O符号描述一个算法在最坏情况下的复杂度。

比如有个累加函数

def add(n):
    ans = 0
    while n > 0:
        ans = ans + n
        n = n - 1
    return ans

可以看到这个函数一共要执行 $1+5n+1$ 步，但是大O表示法只关心当 $n$ 增大时占主导地位的项目，其他项目和系数都可以忽略。这个函数用大O符号就为 $O(n)$ 是线性复杂度。

复杂度分类（从快到慢）

|符号|名称|
-|-|-
| $O(1)$ |常数|
| $O(log\ n)$ |对数|
| $O((log\ n)^c)$ |多对数|
| $O(n)$ |线性|
| $O(n\ log\ n)$ |线性对数|
| $O(n^c)$ |多项式|
| $c^n$ |指数|
| $n!$ |阶乘|

加法法则

$O(f(n))+O(g(n))=O(f(n)+g(n))$

比如一个函数内有两个不同复杂度的循环， $O(n) + O(n^2) = O(n^2+n) = O(n^2)$

乘法法则

$O(f(n))*O(g(n))=O(f(n)*g(n))$

比如循环嵌套循环， $O(n) * O(n)=O(n^2)$

其他表示符号

除了大O符号还有一些不常用的符号。

大 $\Omega$ 符号

大 $\Omega$ 符号（Big-Omega notation）的意思刚好和大O符号相反。大 $\Omega$ 符号表示函数在增长到一定程度时总大于一个特定函数的常数倍。不提供上限，算法最少要花多少时间。

大 $\Theta$ 符号

大 $\Theta$ 符号（Big-Theta notation）是大O符号和大 $\Omega$ 符号的结合。

比如一个算法最慢为 $an^2+n+10$ 最快为 $bn^2+n+10$ ，那么用大 $\Theta$ 表示就为 $\Theta(n^2)$ ，大 $\Theta(n)$ 和大O看起来差不多，但是它们表达的意思不一样， $O(f(n))$ 是表示随着 $n$ 的增大函数实际增长率不会超过 $f(n)$ ， $\Theta(f(n))$ 是表示随着 $n$ 的增大 $f(n)$ 就非常接近函数实际增长率。