DSA - 算法基础(Algorithms Basics)
算法是一个逐步的过程，它定义了一组指令，这些指令按特定顺序执行以获得所需的输出。 算法通常独立于底层语言创建，即算法可以用一种以上的编程语言实现。
从数据结构的角度来看，以下是一些重要的算法类别 -
Search - 搜索数据结构中的项目的算法。
Sort - Sort特定顺序对项目进行Sort算法。
Insert - 在数据结构中插入项的算法。
Update - 更新数据结构中现有项目的算法。
Delete - 从数据结构中删除现有项目的算法。
算法的特征
并非所有过程都可以称为算法。 算法应具有以下特征 -
Unambiguous - 算法应清晰明确。 它的每个步骤（或阶段）及其输入/输出应该是清楚的，并且必须只有一个含义。
Input - 算法应具有0个或更多明确定义的输入。
Output - 算法应具有1个或多个明确定义的输出，并且应与所需的输出匹配。
Finiteness - 算法必须在有限数量的步骤之后终止。
Feasibility - 利用现有资源应该可行。
Independent - 算法应具有逐步指导，这应该独立于任何编程代码。
如何编写算法？
编写算法没有明确定义的标准。 相反，它是问题和资源依赖的。 永远不会编写算法来支持特定的编程代码。
我们知道所有编程语言都共享基本代码结构，如循环（do，for，while），流控制（if-else）等。这些常用结构可用于编写算法。
我们以逐步的方式编写算法，但情况并非总是如此。 算法编写是一个过程，在问题域定义明确后执行。 也就是说，我们应该知道我们正在设计解决方案的问题域。
例子 (Example)
让我们尝试通过一个例子学习算法编写。
Problem - 设计一个算法来添加两个数字并显示结果。
<b class="notranslate">Step 1</b> − START
<b class="notranslate">Step 2</b> − declare three integers <b class="notranslate">a</b>, <b class="notranslate">b</b> & <b class="notranslate">c</b>
<b class="notranslate">Step 3</b> − define values of <b class="notranslate">a</b> & <b class="notranslate">b</b>
<b class="notranslate">Step 4</b> − add values of <b class="notranslate">a</b> & <b class="notranslate">b</b>
<b class="notranslate">Step 5</b> − store output of <u>step 4</u> to <b class="notranslate">c</b>
<b class="notranslate">Step 6</b> − print <b class="notranslate">c</b>
<b class="notranslate">Step 7</b> − STOP
算法告诉程序员如何编写程序代码。 或者，算法可以写成 -
<b class="notranslate">Step 1</b> − START ADD
<b class="notranslate">Step 2</b> − get values of <b class="notranslate">a</b> & <b class="notranslate">b</b>
<b class="notranslate">Step 3</b> − c ← a + b
<b class="notranslate">Step 4</b> − display c
<b class="notranslate">Step 5</b> − STOP
在算法的设计和分析中，通常使用第二种方法来描述算法。 它使分析人员可以轻松分析算法，忽略所有不需要的定义。 他可以观察正在使用的操作以及流程如何流动。
编写step numbers是可选的。
我们设计了一种算法来获得给定问题的解决方案。 问题可以通过多种方式解决。
因此，可以针对给定问题导出许多解算法。 下一步是分析那些提出的解决方案算法并实施最合适的解决方案。
算法分析
算法的效率可以在实现之前和实现之后的两个不同阶段进行分析。 他们是以下 -
A Priori Analysis - 这是对算法的理论分析。 通过假设所有其他因素（例如，处理器速度）是恒定的并且对实现没有影响来测量算法的效率。
A Posterior Analysis - 这是一种算法的实证分析。 所选算法使用编程语言实现。 然后在目标计算机上执行此操作。 在此分析中，收集了所需的运行时间和空间等实际统计数据。
我们将学习a priori算法分析。 算法分析处理所涉及的各种操作的执行或运行时间。 操作的运行时间可以定义为每个操作执行的计算机指令的数量。
算法复杂度
假设X是算法， n是输入数据的大小，算法X使用的时间和空间是决定X效率的两个主要因素。
Time Factor - 时间是通过计算关键操作的数量来测量的，例如排序算法中的比较。
Space Factor - 通过计算算法所需的最大内存空间来测量空间。
算法f(n)的复杂性给出算法所需的运行时间和/或存储空间，以n为输入数据的大小。
空间复杂性
算法的空间复杂度表示算法在其生命周期中所需的存储空间量。 算法所需的空间等于以下两个组件的总和 -
固定部分，是存储某些数据和变量所需的空间，与问题的大小无关。 例如，使用的简单变量和常量，程序大小等。
变量部分是变量所需的空间，其大小取决于问题的大小。 例如，动态内存分配，递归堆栈空间等。
任何算法P的空间复杂度S（P）是S（P）= C + SP（I），其中C是固定部分，S（I）是算法的可变部分，它取决于实例特征I.是一个试图解释这个概念的简单例子 -
Algorithm: SUM(A, B)
Step 1 - START
Step 2 - C ← A + B + 10
Step 3 - Stop
这里我们有三个变量A，B和C以及一个常数。 因此，S（P）= 1 + 3.现在，空间取决于给定变量和常量类型的数据类型，并且它将相应地相乘。
时间复杂度 (Time Complexity)
算法的时间复杂度表示算法运行完成所需的时间量。 时间要求可以定义为数值函数T（n），其中T（n）可以作为步数来测量，条件是每个步骤消耗恒定的时间。
例如，添加两个n位整数需要n步。 因此，总计算时间是T（n）= c * n，其中c是添加两个比特所花费的时间。 在这里，我们观察到T（n）随着输入大小的增加而线性增长。
