Appearance
第1章 算法简介
本章内容：
- 为阅读后续内容打下基础。
- 编写第一种查找算法——二分查找。
- 学习如何谈论算法的运行时间——大O表示法。
- 了解一种常用的算法设计方法——递归。
1.1 引言 🚀
算法是一组完成任务的指令。任何代码片段都可视为算法，但本书只介绍比较有趣的部分。
本书介绍的算法要么速度快，要么能解决有趣的问题，要么兼而有之。下面是书中一些重要内容。
- 第1章讨论二分查找，并演示算法如何能够提高代码的速度。在一个示例中，算法将需要执行的步骤从40亿个减少到了32个！
- GPS设备使用图算法来计算前往目的地的最短路径，这将在第6、 7和8章介绍。
- 你可使用动态规划来编写下国际跳棋的AI算法，这将在第9章讨论。
对于每种算法，本书都将首先进行描述并提供示例，再使用大O表示法讨论其运行时间，最后探索它可以解决的其他问题。
1.1.1 性能方面 🚀
好消息是，本书介绍的每种算法都很可能有使用你喜欢的语言编写的实现，因此你无需自己动手编写每种算法的代码！
但如果你不明白其优缺点，这些实现将毫无用处。在本书中，你将学习比较不同算法的优缺点：该使用合并排序算法还是快速排序算法，或者该使用数组还是链表。仅仅改用不同的数据结构就可能让结果大不相同。
1.1.2 问题解决技巧 🚀
你将学习至今都没有掌握的问题解决技巧，例如：
如果你喜欢开发电子游戏，可使用图算法编写跟踪用户的AI系统；
你将学习使用K最近邻算法编写推荐系统；
有些问题在有限的时间内是不可解的！书中讨论NP完全问题的部分将告诉你，如何识别这样的问题以及如何设计找到近似答案的算法。
总而言之，读完本书后，你将熟悉一些使用最为广泛的算法。利用这些新学到的知识，你可学习更具体的AI算法、数据库算法等，还可在工作中迎接更严峻的挑战。
| 需要具备的知识 |
|---|
| 要阅读本书，需要具备基本的代数知识。具体地说，给定函数f(x) = x × 2， f(5)的值是多 少呢？如果你的答案为10，那就够了。 另外，如果你熟悉一门编程语言，本章（以及本书）将更容易理解。本书的示例都是使用 Python编写的。如果你不懂任何编程语言但想学习一门，请选择Python，它非常适合初学者； 如果你熟悉其他语言，如Ruby，对阅读本书也大有帮助。 |
1.2 二分查找 🚀
假设要在电话簿中找一个名字以K打头的人，（现在谁还用电话簿！）
可以从头开始翻页，直到进入以K打头的部分。但你很可能不这样做，而是从中间开始，因为你知道以K打头的名字在电话簿中间。
又假设要在字典中找一个以O打头的单词，你也将从中间附近开始。
现在假设你登录Facebook。当你这样做时， Facebook必须核实你是否有其网站的账户，因此必须在其数据库中查找你的用户名。如果你的 用户名为karlmageddon， Facebook可从以A打头的部分开始查找，但更合乎逻辑的做法是从中间开始查找。
这是一个查找问题，在前述所有情况下，都可使用同一种算法来解决问题，这种算法就是二分查找。
二分查找是一种算法，其输入是一个有序的元素列表（必须有序的原因稍后解释）。如果要查找的元素包含在列表中，二分查找返回其位置；否则返回null。
下面的示例说明了二分查找的工作原理。我随便想一个1～100的数字。
你的目标是以最少的次数猜到这个数字。你每次猜测后，我会说小了、大了或对了。
假设你从1开始依次往上猜，猜测过程会是这样。
你：1
我：小了
你：2
我：小了
你：3
我：小了
...这是简单查找，更准确的说法是傻找。每次猜测都只能排除一个数字。如果我想的数字是99，你得猜99次才能猜到！
1.2.1 更佳的查找方式 🚀
下面是一种更佳的猜法。从 50 开始。
小了，但排除了一半的数字！至此，你知道1～50都小了。接下来，你猜75。
大了， 那余下的数字又排除了一半！使用二分查找时，你猜测的是中间的数字，从而每次都将余下的数字排除一半。接下来，你猜63（ 50和75中间的数字）。
这就是二分查找，你学习了第一种算法！使用二分查找时，每次都排除一半的数字。
不管我心里想的是哪个数字，你在7次之内都能猜到，因为每次猜测都将排除很多数字！
假设你要在字典中查找一个单词，而该字典包含240 000个单词，你认为每种查找最多需要多少步？
如果要查找的单词位于字典末尾，使用简单查找将需要240 000步。使用二分查找时，每次排除一半单词，直到最后只剩下一个单词。
因此，使用二分查找只需18步——少多了！一般而言，对于包含n个元素的列表，用二分查找最多需要 log2n 步，而简单查找最多需要n步。
| 对 数 |
|---|
| 你可能不记得什么是对数了，但很可能记得什么是幂。 log10100相当于问“将多少个10相乘的结果为100”。答案是两个： 10 × 10 = 100。因此， log10100 = 2。对数运算是幂运算的逆运算。 本书使用大O表示法（稍后介绍）讨论运行时间时， log指的都是log2。使用简单查找法查找元素时，在最糟情况下需要查看每个元素。因此，如果列表包含8个数字，你最多需要检查8 个数字。而使用二分查找时，最多需要检查log2n个元素。如果列表包含8个元素，你最多需要检查3个元素，因为log28 = 3（ 23 = 8）。如果列表包含1024个元素，你最多需要检查10个元素， 因为log21024 = 10（ 210 =1024）。 |
| 说 明 |
|---|
| 本书经常会谈到log时间，因此你必须明白对数的概念。如果你不明白，可汗学院（ khanacademy.org）有一个不错的视频，把这个概念讲得很清楚。 |
| 说 明 |
|---|
| 仅当列表是有序的时候，二分查找才管用。例如，电话簿中的名字是按字母顺序排列的， 因此可以使用二分查找来查找名字。如果名字不是按顺序排列的，结果将如何呢？ |
下面来看看如何编写执行二分查找的Python代码。这里的代码示例使用了数组。如果你不熟悉数组，也不用担心，下一章就会介绍。你只需知道，可将一系列元素存储在一系列相邻的桶（ bucket），即数组中。这些桶从0开始编号：第一个桶的位置为#0，第二个桶为#1，第三个桶为#2，以此类推。
函数binary_search接受一个有序数组和一个元素。如果指定的元素包含在数组中，这个函数将返回其位置。你将跟踪要在其中查找的数组部分——开始时为整个数组。示例如下：
python
def binary_search(nums, item):
low = 0
high = len(nums) - 1
while low <= high:
mid = (low + high) // 2
guess = nums[mid]
if guess == item:
return mid
if guess > item:
high = mid - 1
else:
low = mid + 1
return None
nums = [1, 3, 5, 7, 9]
print(binary_search(nums, 3))
print(binary_search(nums, -1))输出
1
None练习
1.1 假设有一个包含128个名字的有序列表，你要使用二分查找在其中查找一个名字，请问最多需要几步才能找到？
1.2 上面列表的长度翻倍后，最多需要几步？
1.2.2 运行时间 🚀
每次介绍算法时，我都将讨论其运行时间。一般而言，应选择效率最高的算法，以最大限度地减少运行时间或占用空间。
回到前面的二分查找。使用它可节省多少时间呢？简单查找逐个地检查数字，如果列表包含100个数字，最多需要猜100次。如果列表包含40亿个数字，最 多需要猜40亿次。换言之，最多需要猜测的次数与列表长度相同，这被称为线性时间（ linear time）。
二分查找则不同。如果列表包含100个元素，最多要猜7次；如果列表包含40亿个数字，最多需猜32次。厉害吧？二分查找的运行时间为对数时间（或log时间）。
1.3 大 O 表示法 🚀
大O表示法是一种特殊的表示法，指出了算法的速度有多快。谁在乎呢？实际上，你经常要使用别人编写的算法，在这种情况下，知道这些算法的速度大有裨益。
本节将介绍大O表示法是什么，并使用它列出一些最常见的算法运行时间。
1.3.1 算法的运行时间以不同的速度增加 🚀
Bob要为NASA编写一个查找算法，这个算法在火箭即将登陆月球前开始执行，帮助计算着陆地点。
这个示例表明，两种算法的运行时间呈现不同的增速。 Bob需要做出决定，是使用简单查找还是二分查找。使用的算法必须快速而准确。
一方面，二分查找的速度更快。 Bob必须在10秒钟内找出着陆地点，否则火箭将偏离方向。另一方面，简单查找算法编写起来更容易，因此出 现bug的可能性更小。 Bob可不希望引导火箭着陆的代码中有bug！为确保万无一失， Bob决定计算两种算法在列表包含100个元素的情况下需要 的时间。
假设检查一个元素需要1毫秒。使用简单查找时， Bob必须检查100个元素，因此需要100毫秒才能查找完毕。而使用二分查找时，只需检查7个元素（ log2100大约为7），因此需要7毫秒就能查找完毕。然而，实际要查找的列表可能包含10亿个元素，在这种情况下，简单查找需要多长时间呢？二分查找又需要多长时间呢？请务必找出这两个问题的答案，再接着往下读。
Bob使用包含10亿个元素的列表运行二分查找，运行时间为30毫秒（ log21 000 000 000大约为30）。他心里想，二分查找的速度大约为简单查找的15倍，因为列表包含100个元素时，简单查找需要100毫秒，而二分查找需要7毫秒。因此， 列表包含10亿个元素时，简单查找需要30 × 15 = 450毫秒，完全符合在10秒内查找完毕的要求。 Bob决定使用简单查找。这是正确的选择吗？
不是。实际上， Bob错了，而且错得离谱。列表包含10亿个元素时，简单查找需要10亿毫秒，相当于11天！为什么会这样呢？因为二分查找和简单查找的运行时间的增速不同。
也就是说，随着元素数量的增加，二分查找需要的额外时间并不多，而简单查找需要的额外时间却很多。因此，随着列表的增长，二分查找的速度比简单查找快得多。 Bob以为二分查找速度为简单查找的15倍，这不对：列表包含10亿个元素时，为3300万倍。有鉴于此，仅知道算法需要多长时间才能运行完毕还不够，还需知道运行时间如何随列表增长而增加。这正是大O表示法的用武之地。
大O表示法指出了算法有多快。例如，假设列表包含n个元素。简单查找需要检查每个元素，因此需要执行n次操作。使用大O表示法，这个运行时间为O(n)。单位秒呢？没有——大O表示法指的并非以秒为单位的速度。 大O表示法让你能够比较操作数，它指出了算法运行时间的增速。
再来看一个例子。为检查长度为n的列表，二分查找需要执行log2n次操作。使用大O表示法，这个运行时间怎么表示呢？ O(log2n)，其中 log2n 为操作数。
这指出了算法需要执行的操作数。之所以称为大O表示法，是因为操作数前有个大O。这听起来像笑话，但事实如此！
下面来看一些例子，看看你能否确定这些算法的运行时间。
1.3.2 理解不同的大 O 运行时间 🚀
下面的示例，你在家里使用纸和笔就能完成。假设你要画一个网格，它包含16个格子。
算法1
一种方法是以每次画一个的方式画16个格子。记住，大O表示法计算的是操作数。在这个示例中，画一个格子是一次操作， 需要画16个格子。如果每次画一个格子，需要执行多少次操作呢？
画16个格子需要16步。这种算法的运行时间是多少？
算法2
请尝试这种算法——将纸折起来。
在这个示例中，将纸对折一次就是一次操作。第一次对折相当于画了两个格子！
再折，再折，再折。
折4次后再打开，便得到了漂亮的网格！每折一次，格子数就翻倍，折4次就能得到16个格子！
你每折一次，绘制出的格子数都翻倍，因此4步就能“绘制”出16个格子。这种算法的运行时间是多少呢？请搞清楚这两种算法的运行时间之后，再接着往下读。
答案如下：算法1的运行时间为O(n)，算法2的运行时间为O(log2n)。
1.3.3 大 O 表示法指出了最糟情况下的运行时间 🚀
假设你使用简单查找在电话簿中找人。你知道，简单查找的运行时间为O(n)，这意味着在最糟情况下，必须查看电话簿中的每个条目。
如果要查找的是Adit——电话簿中的第一个人，一次就能找到，无需查看每个条目。考虑到一次就找到了Adit，请问这种算法的运行时间是O(n)还是O(1)呢？
简单查找的运行时间总是为O(n)。查找Adit时，一次就找到了，这是最佳的情形，但大O表示法说的是最糟的情形。因此，你可以说，在最糟情况下，必须查看电话簿中的每个条目，对应的运行时间为O(n)。这是一个保证——你知道简单查找的运行时间不可能超过O(n)。
| 说 明 |
|---|
| 除最糟情况下的运行时间外，还应考虑平均情况的运行时间，这很重要。最糟情况和平均情况将在第4章讨论。 |
1.3.4 一些常见的大 O 运行时间 🚀
下面按从快到慢的顺序列出了你经常会遇到的5种大O运行时间。
O(log2n)，也叫对数时间，这样的算法包括二分查找。
O(n)，也叫线性时间，这样的算法包括简单查找。
O(n*log2n)，这样的算法包括第4章将介绍的快速排序——一种速度较快的排序算法。
O(n2)，这样的算法包括第2章将介绍的选择排序——一种速度较慢的排序算法。
O(n!)，这样的算法包括接下来将介绍的旅行商问题的解决方案——一种非常慢的算法。
假设你要绘制一个包含16格的网格，且有5种不同的算法可供选择，这些算法的运行时间如上所示。
如果你选择第一种算法，绘制该网格所需的操作数将为4（ log216 = 4）。假设你每秒可执行10次操作，那么绘制该网格需要0.4秒。如果要绘制一个包含1024格的网格呢？这需要执行10（ log21024 = 10）次操作，换言之，绘制这样的网格需要1秒。这是使用第一种算法的情况。
第二种算法更慢，其运行时间为O(n)。即要绘制16个格子，需要执行16次操作；要绘制1024个格子，需要执行1024次操作。执行这些操作需要多少秒呢？
下面按从快到慢的顺序列出了使用这些算法绘制网格所需的时间：
还有其他的运行时间，但这5种是最常见的。
这里做了简化，实际上，并不能如此干净利索地将大O运行时间转换为操作数，但就目前而言，这种准确度足够了。等你学习其他一些算法后，第4章将回过头来再次讨论大O表示法。当前，我们获得的主要启示如下。
算法的速度指的并非时间，而是操作数的增速。
谈论算法的速度时，我们说的是随着输入的增加，其运行时间将以什么样的速度增加。
算法的运行时间用大O表示法表示。
O(log2n)比O(n)快，当需要搜索的元素越多时，前者比后者快得越多。
练习
使用大O表示法给出下述各种情形的运行时间。
1.3 在电话簿中根据名字查找电话号码。
1.4 在电话簿中根据电话号码找人。（提示：你必须查找整个电话簿。）
1.5 阅读电话簿中每个人的电话号码。
1.6 阅读电话簿中姓名以A打头的人的电话号码。这个问题比较棘手，它涉及第4章的概念。答案可能让你感到惊讶！
1.3.5 旅行商 🚀
阅读前一节时，你可能认为根本就没有运行时间为O(n!)的算法。**让我来证明你错了！**下面就是一个运行时间极长的算法。这个算法要解决的是计算机科学领域非常著名的旅行商问题，其计算时间增加得非常快，而有些非常聪明的人都认为没有改进空间。
有一位旅行商，他需要前往5个城市。
这位旅行商（姑且称之为Opus吧）要前往这5个城市，同时要确保旅程最短。为此，可考虑前往这些城市的各种可能顺序。
对于每种顺序，他都计算总旅程，再挑选出旅程最短的路线。 5个城市有120种不同的排列方式。因此，在涉及5个城市时，解决这个问题需要执行120次操作。涉及6个城市时，需要执行720次操作（有720种不同的排列方式）。涉及7个城市时，需要执行5040次操作！
推而广之，涉及n个城市时，需要执行n!（ n的阶乘）次操作才能计算出结果。因此运行时间为O(n!)，即阶乘时间。除非涉及的城市数很少，否则需要执行非常多的操作。如果涉及的城市数超过100，根本就不能在合理的时间内计算出结果——等你计算出结果，太阳都没了。
这种算法很糟糕！ Opus应使用别的算法，可他别无选择。这是计算机科学领域待解的问题之一。对于这个问题，目前还没有找到更快的算法，有些很聪明的人认为这个问题根本就没有更巧妙的算法。面对这个问题，我们能做的只是去找出近似答案，更详细的信息请参阅第10章。
最后需要指出的一点是，高水平的读者可研究一下二叉树，这在最后一章做了简要的介绍。
1.4 小结 🚀
二分查找的速度比简单查找快得多。
O(log2n)比O(n)快。需要搜索的元素越多，前者比后者就快得越多。
算法运行时间并不以秒为单位。
算法运行时间是从其增速的角度度量的。
算法运行时间用大O表示法表示。