导航：首页 > 服务器 >

一步一步带你体验算法之魅力

发表于：2026-11-01 作者：千家信息网编辑

千家信息网最后更新 2026年11月01日，什么是算法？算法是用于解决特定问题的一系列的执行步骤换句话来说：一道几何题，需求证。可能会存在很多的正解方法，但只要能够解决求证问题，我们就可以把这个正解方法叫做算法。当然，算法远不止如此。这两段代码

千家信息网最后更新 2026年11月01日一步一步带你体验算法之魅力

什么是算法？

算法是用于解决特定问题的一系列的执行步骤
换句话来说：一道几何题，需求证。可能会存在很多的正解方法，但只要能够解决求证问题，我们就可以把这个正解方法叫做算法。当然，算法远不止如此。

这两段代码都可以称之为算法，因为分别可以解决两个数相加和从1加到n的问题。算法并不一定要非常复杂，小到一行代码，多到上万行代码，只要能解决特定问题，就是算法。

如何评估算法优劣

使用不同算法，解决同一个问题，效率可能相差非常大
就比如之前所说的几何求证，虽然都能做出来，但方法未必是最好的。

如：
现有两个求斐波那契数 (fibonacci number) 的算法

（斐波那契数列：1 1 2 3 5 8 ……）
这里

public static int fib1(int n) {    if (n <= 1) return n;    return fib1(n - 1) + fib1(n - 2);}

public static int fib2(int n) {    if (n <= 1) return n;    int first = 0;    int second = 1;    for (int i = 0; i < n - 1; i++) {        int sum = first + second;        first = second;        second = sum;    }    return second;}

这两个算法哪个更优呢？

如果单从执行效率上进行评估，可能会想到这么一种方案

比较不同算法对同一组输入的执行处理时间

这种方案也叫做：事后统计法

我们的做法是：

public static void main(String[] args) {    int n = 45;//求第45个斐波那契数    TimeTool.check("fib1", new Task() {        public void execute() {            System.out.println(fib1(n));        }    });//5.815秒    TimeTool.check("fib2", new Task() {        public void execute() {            System.out.println(fib2(n));        }    });//0.0秒}

上述方案有比较明显的缺点

执行时间严重依赖硬件以及运行时各种不确定的环境因素

必须编写相应的测算代码

测试数据的选择比较难保证公正性（n=100时可能第一种算法时间更短，n=200时可能第二种算法时间更短）

一般从以下维度来评估算法的优劣

正确性、可读性、健壮性（对不合理输入的反应能力和处理能力）

时间复杂度（time complexity）：估算程序指令的执行次数（执行时间）

空间复杂度（space complexity）：估算所需占用的存储空间

我们用这种方案评估一下计算1+2+...+n的算法

显然第二种算法更好。难道是因为第二种方法代码更短吗？斐波那契数列的例子已经告诉我们并不是代码越短越好。这个例子中第二个算法只需要三步运算就可以解决问题，而第一种需要循环n次。首先都满足正确性、可读性、健壮性的条件，然后从时间复杂度来讲，假定一步运算的执行时间的一定的，我们考察一下大致需要执行多少次指令，就可以比较出两种算法的时间长短；再从空间复杂度考虑，需要的变量越少、开辟的存储空间越小，算法更好。

大O表示法

一般用大O表示法来描述复杂度，它表示的是数据规模 n 对应的复杂度

方法步骤：

（1）估算时间复杂度/空间复杂度(主要是时间复杂度)

（2.1）忽略常数、系数、低阶

$9$>> O(1)

$2n+6$ >> O(n)

$n^2+2n+6$ >> O($n^2$)

$4n^3+3n^2+22n+100$ >> O($n^3$)

(2.2) 对数阶一般省略底数

$log_2n=log_29+log_9n$ (任意底数的对数可通过乘以一个常数相互转化)

所以 $log_2n$、$log_9n$ 统称为 $logn$

注意：大O表示法仅仅是一种粗略的分析模型，是一种估算，能帮助我们短时间内了解一个算法的执行效率

计算下面几段代码的时间复杂度

java
public static void test1(int n) {
//1（进行一次判断操作）
if (n > 10) {
System.out.println("n > 10");
} else if (n > 5) { // 2
System.out.println("n > 5");
} else {
System.out.println("n <= 5");
}
// 1（定义一次i) + 4(i累加四次) + 4（判断i<4四次) + 4（循环体一条语句执行四次）=9
for (int i = 0; i < 4; i++) {
System.out.println("test");
}
// 大O表示法时间复杂度O(1)
}

java
public static void test2(int n) {
// 1(定义一次i）+ 3n（i累加n次+判断ifor (int i = 0; i < n; i++) {
System.out.println("test");
}
// 大O表示法时间复杂度O(n)
}

java
public static void test3(int n) {
// 1(定义一次i） + 2n（i累加n次+判断ifor (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
System.out.println("test");
}
}
// 大O表示法时间复杂度O(n^2)
}

Java
public static void test4(int n) {
// 8 = 2^3
// 16 = 2^4

// 3 = log2(8)// 4 = log2(16)// 执行次数 = log2(n)while ((n = n / 2) > 0) {    System.out.println("test");}// 大O表示法时间复杂度O(logn)

}

java
public static void test5(int n) {
// log5(n)
while ((n = n / 5) > 0) {
System.out.println("test");
}
// 大O表示法时间复杂度O(logn)
}

java
public static void test7(int n) {
// 1(定义一次i） + 2log2(n)(i2运算次数) + log2(n)（外层循环执行次数） (1 + 3n)（内层循环执行次数）
for (int i = 1; i < n; i = i 2) {
// 1 + 3n
for (int j = 0; j < n; j++) {
System.out.println("test");
}
}
// 1 + 3log2(n) + 2 nlog2(n)
// 大O表示法时间复杂度O(nlogn)
}

$O(1)