什麼程序需要演算法

㈠ 什麼是演算法，它的五大特性是什麼，演算法和程序的關系是什麼

演算法（Algorithm）是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。

一個演算法應該具有以下五個重要的特徵：

有窮性（Finiteness）
演算法的有窮性是指演算法必須能在執行有限個步驟之後終止；

確切性(Definiteness)
演算法的每一步驟必須有確切的定義；

輸入項(Input)
一個演算法有0個或多個輸入，以刻畫運算對象的初始情況，所謂0個輸入是指演算法本身定出了初始條件；

輸出項(Output)
一個演算法有一個或多個輸出，以反映對輸入數據加工後的結果。沒有輸出的演算法是毫無意義的；

可行性(Effectiveness)
演算法中執行的任何計算步驟都是可以被分解為基本的可執行的操作步，即每個計算步都可以在有限時間內完成（也稱之為有效性）。

演算法和程序的關系是：

演算法就是程序的靈魂，一個需要實現特定功能的程序，實現它的演算法可以有很多種，所以演算法的優劣決定著程序的好壞。

程序就是遵循一定規則的、為完成指定工作而編寫的代碼。有一個經典的等式闡明了什麼叫程序：程序 = 演算法 + 數據結構 + 程序設計方法 + 語言工具和環境 。

㈡ 程序員開發用到的十大基本演算法

演算法一：快速排序演算法
快速排序是由東尼·霍爾所發展的一種排序演算法。在平均狀況下，排序 n 個項目要Ο(n log n)次比較。在最壞狀況下則需要Ο(n2)次比較，但這種狀況並不常見。事實上，快速排序通常明顯比其他Ο(n log n) 演算法更快，因為它的內部循環（inner loop）可以在大部分的架構上很有效率地被實現出來。

快速排序使用分治法（Divide and conquer）策略來把一個串列（list）分為兩個子串列（sub-lists）。

演算法步驟：
1 從數列中挑出一個元素，稱為 「基準」（pivot），
2 重新排序數列，所有元素比基準值小的擺放在基準前面，所有元素比基準值大的擺在基準的後面（相同的數可以到任一邊）。在這個分區退出之後，該基準就處於數列的中間位置。這個稱為分區（partition）操作。
3 遞歸地（recursive）把小於基準值元素的子數列和大於基準值元素的子數列排序。

遞歸的最底部情形，是數列的大小是零或一，也就是永遠都已經被排序好了。雖然一直遞歸下去，但是這個演算法總會退出，因為在每次的迭代（iteration）中，它至少會把一個元素擺到它最後的位置去。

演算法二：堆排序演算法
堆排序（Heapsort）是指利用堆這種數據結構所設計的一種排序演算法。堆積是一個近似完全二叉樹的結構，並同時滿足堆積的性質：即子結點的鍵值或索引總是小於（或者大於）它的父節點。堆排序的平均時間復雜度為Ο(nlogn) 。

演算法步驟：
1.創建一個堆H[0..n-1]
2.把堆首（最大值）和堆尾互換
3.把堆的尺寸縮小1，並調用shift_down(0),目的是把新的數組頂端數據調整到相應位置
4.重復步驟2，直到堆的尺寸為1

演算法三：歸並排序
歸並排序（Merge sort，台灣譯作：合並排序）是建立在歸並操作上的一種有效的排序演算法。該演算法是採用分治法（Divide and Conquer）的一個非常典型的應用。

演算法步驟：

演算法四：二分查找演算法
二分查找演算法是一種在有序數組中查找某一特定元素的搜索演算法。搜素過程從數組的中間元素開始，如果中間元素正好是要查找的元素，則搜 素過程結束；如果某一特定元素大於或者小於中間元素，則在數組大於或小於中間元素的那一半中查找，而且跟開始一樣從中間元素開始比較。如果在某一步驟數組 為空，則代表找不到。這種搜索演算法每一次比較都使搜索范圍縮小一半。折半搜索每次把搜索區域減少一半，時間復雜度為Ο(logn) 。

演算法五：BFPRT(線性查找演算法)
BFPRT演算法解決的問題十分經典，即從某n個元素的序列中選出第k大（第k小）的元素，通過巧妙的分 析，BFPRT可以保證在最壞情況下仍為線性時間復雜度。該演算法的思想與快速排序思想相似，當然，為使得演算法在最壞情況下，依然能達到o(n)的時間復雜 度，五位演算法作者做了精妙的處理。

演算法步驟：

終止條件：n=1時，返回的即是i小元素。

演算法六：DFS（深度優先搜索）
深度優先搜索演算法（Depth-First-Search），是搜索演算法的一種。它沿著樹的深度遍歷樹的節點，盡可能深的搜索樹的分 支。當節點v的所有邊都己被探尋過，搜索將回溯到發現節點v的那條邊的起始節點。這一過程一直進行到已發現從源節點可達的所有節點為止。如果還存在未被發 現的節點，則選擇其中一個作為源節點並重復以上過程，整個進程反復進行直到所有節點都被訪問為止。DFS屬於盲目搜索。

深度優先搜索是圖論中的經典演算法，利用深度優先搜索演算法可以產生目標圖的相應拓撲排序表，利用拓撲排序表可以方便的解決很多相關的圖論問題，如最大路徑問題等等。一般用堆數據結構來輔助實現DFS演算法。

演算法步驟：

上述描述可能比較抽象，舉個實例：
DFS 在訪問圖中某一起始頂點 v 後，由 v 出發，訪問它的任一鄰接頂點 w1；再從 w1 出發，訪問與 w1鄰 接但還沒有訪問過的頂點 w2；然後再從 w2 出發，進行類似的訪問，… 如此進行下去，直至到達所有的鄰接頂點都被訪問過的頂點 u 為止。

接著，退回一步，退到前一次剛訪問過的頂點，看是否還有其它沒有被訪問的鄰接頂點。如果有，則訪問此頂點，之後再從此頂點出發，進行與前述類似的訪問；如果沒有，就再退回一步進行搜索。重復上述過程，直到連通圖中所有頂點都被訪問過為止。

演算法七：BFS(廣度優先搜索)
廣度優先搜索演算法（Breadth-First-Search），是一種圖形搜索演算法。簡單的說，BFS是從根節點開始，沿著樹(圖)的寬度遍歷樹(圖)的節點。如果所有節點均被訪問，則演算法中止。BFS同樣屬於盲目搜索。一般用隊列數據結構來輔助實現BFS演算法。

演算法步驟：

演算法八：Dijkstra演算法
戴克斯特拉演算法（Dijkstra』s algorithm）是由荷蘭計算機科學家艾茲赫爾·戴克斯特拉提出。迪科斯徹演算法使用了廣度優先搜索解決非負權有向圖的單源最短路徑問題，演算法最終得到一個最短路徑樹。該演算法常用於路由演算法或者作為其他圖演算法的一個子模塊。

該演算法的輸入包含了一個有權重的有向圖 G，以及G中的一個來源頂點 S。我們以 V 表示 G 中所有頂點的集合。每一個圖中的邊，都是兩個頂點所形成的有序元素對。(u, v) 表示從頂點 u 到 v 有路徑相連。我們以 E 表示G中所有邊的集合，而邊的權重則由權重函數 w: E → [0, ∞] 定義。因此，w(u, v) 就是從頂點 u 到頂點 v 的非負權重（weight）。邊的權重可以想像成兩個頂點之間的距離。任兩點間路徑的權重，就是該路徑上所有邊的權重總和。已知有 V 中有頂點 s 及 t，Dijkstra 演算法可以找到 s 到 t的最低權重路徑(例如，最短路徑)。這個演算法也可以在一個圖中，找到從一個頂點 s 到任何其他頂點的最短路徑。對於不含負權的有向圖，Dijkstra演算法是目前已知的最快的單源最短路徑演算法。

演算法步驟：

重復上述步驟2、3，直到S中包含所有頂點，即W=Vi為止

演算法九：動態規劃演算法
動態規劃（Dynamic programming）是一種在數學、計算機科學和經濟學中使用的，通過把原問題分解為相對簡單的子問題的方式求解復雜問題的方法。 動態規劃常常適用於有重疊子問題和最優子結構性質的問題，動態規劃方法所耗時間往往遠少於樸素解法。

動態規劃背後的基本思想非常簡單。大致上，若要解一個給定問題，我們需要解其不同部分（即子問題），再合並子問題的解以得出原問題的解。 通常許多 子問題非常相似，為此動態規劃法試圖僅僅解決每個子問題一次，從而減少計算量： 一旦某個給定子問題的解已經算出，則將其記憶化存儲，以便下次需要同一個 子問題解之時直接查表。 這種做法在重復子問題的數目關於輸入的規模呈指數增長時特別有用。

關於動態規劃最經典的問題當屬背包問題。

演算法步驟：

演算法十：樸素貝葉斯分類演算法
樸素貝葉斯分類演算法是一種基於貝葉斯定理的簡單概率分類演算法。貝葉斯分類的基礎是概率推理，就是在各種條件的存在不確定，僅知其出現概率的情況下， 如何完成推理和決策任務。概率推理是與確定性推理相對應的。而樸素貝葉斯分類器是基於獨立假設的，即假設樣本每個特徵與其他特徵都不相關。

樸素貝葉斯分類器依靠精確的自然概率模型，在有監督學習的樣本集中能獲取得非常好的分類效果。在許多實際應用中，樸素貝葉斯模型參數估計使用最大似然估計方法，換言之樸素貝葉斯模型能工作並沒有用到貝葉斯概率或者任何貝葉斯模型。

盡管是帶著這些樸素思想和過於簡單化的假設，但樸素貝葉斯分類器在很多復雜的現實情形中仍能夠取得相當好的效果。

㈢ 演算法與程序有什麼異同

用一句說話答你的話, 那就是 : 演算法只是程序中可以處理的其中一件事.
演算法, 基本上就是以數學的形式去對一個 "模式" 的模術, 例如最簡單的畢氏定理 a^2 + b^2 = c^2 . 當然還有更多更復雜的演算法, 例如 OpenCV 對面容辨識的各種演算法, 從距離, 比例, 顏色深淺來定位那裡是雙眼, 嘴巴, 人面... 但總言之, 演算法離不開 f(x) = ..... 這個框架. 你可以從演算法中求 x 等於甚麼, 又或者從已知的 x 去找出演算法中其他的未知數.. 演算法, 就是數學

程序, 基本有: 輸入 -> 處理 -> 輸出 -> 存取檔案這幾個部份, 當中便有豪多樣的可能性, 光是輸入, 就已可分由用者輸入, 從檔案輸入, 甚至... 從演算法中輸入!! 又來到處理, 演算法所不能做到的的一件事, 就是程序可以做出邏輯的分支, if ... elseif... else... 整個流程可以隨意跳躍...

最後一句就是, 演算法是死的, 程序是活的.

㈣ 程序員為什麼要學習演算法以及應用領域

對於許多編程開發程序員來說，組織開發架構等技術應該都掌握了不少了，那麼大家是否懂得演算法相關的技術呢?今天，昆明電腦培訓http://www.kmbdqn.com/就一起來了解一下，程序員為什麼要學習演算法以及應用領域的問題。

學習演算法的重要性

在介紹具體演算法之前，我先談一下個人對學習演算法的初心。我的初心無非有兩點：一，BAT等互聯網公司招聘面試時要問演算法知識，如果想要進入互聯網公司，我就必須學好演算法;二，通過學習演算法提升個人開發的基本功，這樣一來，對於不同場景我就可以正確選擇對應的數據結構和演算法，使得程序更健壯，提高程序的運行效率。

應用領域

目前計算機各個細分領域涉及到不同的演算法。比如說搜索引擎，平時我們使用google、網路等瀏覽器，只要我們輸入一個關鍵字，瀏覽器就會快速地返回相關的集合，這個集合的背後就隱藏著許多演算法。如果沒有這些演算法，我們是不可能這么快速地得到想要的結果。再比如說人工智慧，通過計算模型演算法實現人體識別、語音識別等各應用場景。

演算法分析

上文我們已經介紹到演算法就是解決問題的方法，而對於同一個問題，可能存在不同的解決方法。因此，為了衡量一個演算法的優劣，提出了時間復雜度與空間復雜度這兩個概念。

時間復雜度

一般情況下，演算法中基本操作重復執行的次數是問題規模n的某個函數f(n)，演算法的時間度量記為T(n)=O(f(n))，它表示隨問題規模n的增大，演算法執行時間的增長率和f(n)的增長率相同，稱作演算法的漸近時間復雜度，簡稱時間復雜度。

空間復雜度

空間復雜度是對一個演算法在運行過程中臨時佔用存儲空間大小的量度，記做S(n)=O(f(n))。一個演算法的優劣主要從演算法的執行時間和所需要佔用的存儲空間兩個方面衡量。

㈤ 程序中一定會有演算法么

不一定，演算法和程序還是有區別的，演算法一般是針對某個數學問題。簡單的常見演算法主要有查找、排序。復雜一些的演算法比如有加密、搜索引擎、3D渲染等等。

程序和演算法最顯著的區別是，演算法一定可以在有限的時間內結束，而程序則不必。比如QQ，你只要不關閉它，就可以讓它一直運行下去，這就是程序。而搜索引擎，你點一下搜索，它會很快給出搜索的結果，這就是演算法。

至於Hello World嘛……太簡單了，無所謂演算法……

補充回答：
演算法存在的意義是解決某個特定問題的，否則就沒有意義了。只要你的這種組合符合演算法的定義和特徵的，那麼沒有爭議，就是演算法。Google的搜索引擎演算法不知道有多復雜，據說有上萬個參數，但那也是演算法。

其實樓主大可不必糾結於概念，大師們之所以把「演算法」這個概念抽象出來，是為了更好的解決一些常見的計算問題，當然由此也衍生出了演算法復雜度等一系列概念。只要能夠更好的解決問題，概念是次要的，結果才是主要的。

㈥ 什麼是演算法和程序

一、演算法和程序的區別是：

1、在語言描述上不同：程序必須是用規定的程序設計語言來寫，而演算法很隨意。

2、在執行時間上不同：演算法所描述的步驟一定是有限的，而程序可以無限地執行下去。

3、兩者定義不同：演算法是對特定問題求解步驟的描述，它是有限序列指令。程序是實現預期目的而進行操作的一系列語句和指令。

(6)什麼程序需要演算法擴展閱讀：

一、程序的運行

使計算機程序得以運行，計算機需要載入代碼，同時也要載入數據。從計算機的底層來說，這是由高級語言（例如Java，C／C＋＋，C＃等）代碼轉譯成機器語言而被CPU所理解，進行載入。

如果您在一個符合大多數的計算機上，操作系統例如Windows、Linux等，載入並執行很多的程序，在這種情況下，每一個程序是一個單獨的映射，並不是計算機上的所有可執行程序。

為了得到某種結果而可以由計算機等具有信息處理能力的裝置執行的代碼化指令序列，或者可以被自動轉換成代碼化指令序列的符號化指令序列或者符號化語句序列。同一計算機程序的源程序和目標程序為同一作品。

二、演算法：包括遞推法、遞歸法、窮舉法、貪心演算法、分治法、動態規劃法、迭代法、分支界限法、回溯法等。

大致分為基本演算法、數據結構的演算法、數論與代數演算法、計算幾何的演算法、圖論的演算法、動態規劃以及數值分析、加密演算法、排序演算法、檢索演算法、隨機化演算法、並行演算法，厄米變形模型，隨機森林演算法。

參考資料來源：網路-程序

參考資料來源：網路-演算法