有效演算法是指

A. 解決一個問題通常有多種方法，若說一個演算法"有效"是指

C 演算法效率是指演算法執行的時間，演算法執行時間需通過依據該演算法編制的程序在計算機上運行時所消耗的時間來度量。而度量一個程序的執行時間通常有兩種方法*（一）事後統計的方法（二）事前分析估算的方法。

B. 矩形脈沖電流的有效值演算法

矩形脈沖電流的有效值演算法是指計算矩形脈沖電流的有效值的演算法。有效值是指一個信號的平均值，它可以用來衡量信號的強度。矩形脈沖電流的有效值可以用下面的公式來計算：

I_eff = I_p/√2

其中，I_p是矩形脈沖電流的峰值值。

C. 廣義地講,為解決一個問題而採用的方法和步驟就稱為

廣義地講，為了解決某一問題而採取的方法和步驟.就稱之為演算法.

計算機演算法分為數值運算演算法和非數值運算演算法，數值運算的目的是求數值的解；非數值運算的應用范圍十分廣泛；目前，計算機在非數值運算方面的應用遠遠超過了在數值運算方面的作用。

怎樣表示一個演算法:

演算法的表示方法有很多種，最常用到的方法有：用自然語言表示演算法；用流程圖表示演算法；用N-S流程圖表示演算法；用偽代碼表示演算法和用計算機語言表示演算法等

演算法有三種基本結構：分別是順序結構，選擇結構和循環結構（分為「當」型和「直到」型）

D. 高中數學中，演算法的步驟必須是明確和有效的，這句話怎麼理解

意思就是每一個步驟要有理有據令信服，每一個結論都是要有明確的依據（包括各種定理、推論），每一個你使用的條件要麼是題目所給要麼由你自己推導出來，即有效的。

E. 什麼事演算法

計算機的演算法具有可行性，有窮性、輸入輸出、確定性。

計算機演算法特點

1.有窮性。一個演算法應包含有限的操作步驟，而不能是無限的。事實上「有窮性」往往指「在合理的范圍之內」。如果讓計算機執行一個歷時1000年才結束的演算法，這雖然是有窮的，但超過了合理的限度，人們不把他視為有效演算法。

2. 確定性。演算法中的每一個步驟都應當是確定的，而不應當是含糊的、模稜兩可的。演算法中的每一個步驟應當不致被解釋成不同的含義，而應是十分明確的。也就是說，演算法的含義應當是唯一的，而不應當產生「歧義性」。

3. 有零個或多個輸入、所謂輸入是指在執行演算法是需要從外界取得必要的信息。

4. 有一個或多個輸出。演算法的目的是為了求解，沒有輸出的演算法是沒有意義的。

5.有效性。 演算法中的每一個 步驟都應當能有效的執行。並得到確定的結果。

拓展資料：

重要演算法

A*搜尋演算法

俗稱A星演算法。這是一種在圖形平面上，有多個節點的路徑，求出最低通過成本的演算法。常用於游戲中的NPC的移動計算，或線上游戲的BOT的移動計算上。該演算法像Dijkstra演算法一樣，可以找到一條最短路徑；也像BFS一樣，進行啟發式的搜索。

Beam Search

束搜索(beam search)方法是解決優化問題的一種啟發式方法，它是在分枝定界方法基礎上發展起來的，它使用啟發式方法估計k個最好的路徑，僅從這k個路徑出發向下搜索，即每一層只有滿意的結點會被保留，其它的結點則被永久拋棄，從而比分枝定界法能大大節省運行時間。束搜索於20 世紀70年代中期首先被應用於人工智慧領域,1976 年Lowerre在其稱為HARPY的語音識別系統中第一次使用了束搜索方法。他的目標是並行地搜索幾個潛在的最優決策路徑以減少回溯，並快速地獲得一個解。

二分取中查找演算法

一種在有序數組中查找某一特定元素的搜索演算法。搜索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，則搜索過程結束；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。這種搜索演算法每一次比較都使搜索范圍縮小一半。

Branch and bound

分支定界(branch and bound)演算法是一種在問題的解空間樹上搜索問題的解的方法。但與回溯演算法不同，分支定界演算法採用廣度優先或最小耗費優先的方法搜索解空間樹，並且，在分支定界演算法中，每一個活結點只有一次機會成為擴展結點。

數據壓縮

數據壓縮是通過減少計算機中所存儲數據或者通信傳播中數據的冗餘度，達到增大數據密度，最終使數據的存儲空間減少的技術。數據壓縮在文件存儲和分布式系統領域有著十分廣泛的應用。數據壓縮也代表著尺寸媒介容量的增大和網路帶寬的擴展。

Diffie–Hellman密鑰協商

Diffie–Hellman key exchange，簡稱「D–H」，是一種安全協議。它可以讓雙方在完全沒有對方任何預先信息的條件下通過不安全信道建立起一個密鑰。這個密鑰可以在後續的通訊中作為對稱密鑰來加密通訊內容。

Dijkstra』s 演算法

迪科斯徹演算法（Dijkstra）是由荷蘭計算機科學家艾茲格·迪科斯徹（Edsger Wybe Dijkstra）發明的。演算法解決的是有向圖中單個源點到其他頂點的最短路徑問題。舉例來說，如果圖中的頂點表示城市，而邊上的權重表示著城市間開車行經的距離，迪科斯徹演算法可以用來找到兩個城市之間的最短路徑。

動態規劃

動態規劃是一種在數學和計算機科學中使用的，用於求解包含重疊子問題的最優化問題的方法。其基本思想是，將原問題分解為相似的子問題，在求解的過程中通過子問題的解求出原問題的解。動態規劃的思想是多種演算法的基礎，被廣泛應用於計算機科學和工程領域。比較著名的應用實例有：求解最短路徑問題，背包問題，項目管理，網路流優化等。這里也有一篇文章說得比較詳細。

歐幾里得演算法

在數學中，輾轉相除法，又稱歐幾里得演算法，是求最大公約數的演算法。輾轉相除法首次出現於歐幾里得的《幾何原本》（第VII卷，命題i和ii）中，而在中國則可以追溯至東漢出現的《九章算術》。

最大期望（EM）演算法

在統計計算中，最大期望（EM）演算法是在概率（probabilistic）模型中尋找參數最大似然估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（Latent Variable）。最大期望經常用在機器學習和計算機視覺的數據聚類（Data Clustering）領域。最大期望演算法經過兩個步驟交替進行計算，第一步是計算期望（E），利用對隱藏變數的現有估計值，計算其最大似然估計值；第二步是最大化（M），最大化在 E 步上求得的最大似然值來計算參數的值。M 步上找到的參數估計值被用於下一個 E 步計算中，這個過程不斷交替進行。

快速傅里葉變換(FFT)

快速傅里葉變換（Fast Fourier Transform，FFT），是離散傅里葉變換的快速演算法，也可用於計算離散傅里葉變換的逆變換。快速傅里葉變換有廣泛的應用，如數字信號處理、計算大整數乘法、求解偏微分方程等等。

哈希函數

HashFunction是一種從任何一種數據中創建小的數字「指紋」的方法。該函數將數據打亂混合，重新創建一個叫做散列值的指紋。散列值通常用來代表一個短的隨機字母和數字組成的字元串。好的散列函數在輸入域中很少出現散列沖突。在散列表和數據處理中，不抑制沖突來區別數據，會使得資料庫記錄更難找到。

堆排序

Heapsort是指利用堆積樹（堆）這種數據結構所設計的一種排序演算法。堆積樹是一個近似完全二叉樹的結構，並同時滿足堆積屬性：即子結點的鍵值或索引總是小於（或者大於）它的父結點。

歸並排序

Merge sort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。

RANSAC 演算法

RANSAC 是」RANdom SAmpleConsensus」的縮寫。該演算法是用於從一組觀測數據中估計數學模型參數的迭代方法，由Fischler and Bolles在1981提出，它是一種非確定性演算法，因為它只能以一定的概率得到合理的結果，隨著迭代次數的增加，這種概率是增加的。該演算法的基本假設是觀測數據集中存在」inliers」（那些對模型參數估計起到支持作用的點）和」outliers」（不符合模型的點），並且這組觀測數據受到雜訊影響。RANSAC 假設給定一組」inliers」數據就能夠得到最優的符合這組點的模型。

RSA加密演演算法

這是一個公鑰加密演算法，也是世界上第一個適合用來做簽名的演算法。今天的RSA已經專利失效，其被廣泛地用於電子商務加密，大家都相信，只要密鑰足夠長，這個演算法就會是安全的。

並查集Union-find

並查集是一種樹型的數據結構，用於處理一些不相交集合（Disjoint Sets）的合並及查詢問題。常常在使用中以森林來表示。

Viterbi algorithm

尋找最可能的隱藏狀態序列(Finding most probable sequence of hidden states)。

參考資料：計算機演算法

F. 如何評估一個演算法的有效性

有效性？只要能滿足輸出項設定的演算法都為有效演算法。但是有效演算法中盡量選最優演算法。
結合演算法的五大特性與回歸到問題本身來看演算法。
有窮性

確切性

輸入項

輸出項

可行性
滿足這五點即為有效演算法。
在演算法執行的時候從空間和時間效率、正確性、可讀性、健壯性角度來看演算法本身是否是最優演算法。

G. 時間復雜度及其計算

演算法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 。對於同一個問題的解決，可能會存在著不同的演算法，為了衡量一個演算法的優劣，提出了<u>空間復雜度與時間復雜度</u>這兩個概念。

一個演算法是由 控制結構（順序、分支和循環3種） 和 原操作（指固有數據類型的操作） 構成的，則演算法時間取決於<u>兩者的綜合效果</u>。為了便於比較同一個問題的不同演算法，通常的做法是：
<p>從演算法中選取一種對於所研究的問題（或演算法類型）來說是基本操作的原操作，以該基本操作的重復執行的次數作為演算法的時間量度。</p>

參考文章： 演算法的時間復雜度和空間復雜度-總結
時間復雜度，又稱時間頻度，即 一個演算法執行所耗費的時間 。

<u>一個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數多，它花費時間就多。</u>一個演算法中的語句執行次數稱為語句頻度或時間頻度。記為T(n)

n稱為 問題的規模 ，當n不斷變化時，時間頻度T(n)也會不斷變化。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，用T(n)表示，<i> 若有某個輔助函數f(n),使得當n趨近於無窮大時，*T(n)/f(n)的極限值為不等於零的常數，則稱f(n)是T(n)的同數量級函數。記作T(n)=O(f(n)),稱O(f(n)) 為演算法的漸進時間復雜度，簡稱時間復雜度。簡單來說，就是T(n)在n趨於正無窮時最大也就跟f(n)差不多大。</i>

演算法中語句執行次數為一個常數，則時間復雜度為O(1)。常見的時間復雜度有：<p><b>常數階O(1),對數階O(log2n),線性階O(n), 線性對數階O(n log2n),平方階O(n2)，立方階O(n3),...。</b></p>
<i><b>Log</b><u>2</u><b>8</b>：2為底N的對數，即2的幾次方等於8，值為3</i>


常見的演算法時間復雜度由小到大依次為：Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(n log2n)＜Ο(n2)＜Ο(n3)＜…＜Ο(2n)＜Ο(n!)
即：常數階 < 對數階 < 線性階 < 線性對數階 < 平方階 < 立方階 < … < 指數階 < 階乘

如：

第一個for循環的時間復雜度為Ο(n)，第二個for循環的時間復雜度為Ο(n2)，則整個演算法的時間復雜度為Ο(n1+n2+n3)=Ο(n3)。

Ο(1)表示基本語句的執行次數是一個常數，一般來說，只要演算法中不存在循環語句，其時間復雜度就是Ο(1)。其中Ο(log2n)、Ο(n)、 Ο(nlog2n)、Ο(n2)和Ο(n3)稱為多項式時間，而Ο(2n)和Ο(n!)稱為指數時間。計算機科學家普遍認為前者（即多項式時間復雜度的演算法）是有效演算法。

<i>指數函數：y=ax，對數函數：y=logax，冪函數：y=xa
x為變數，a為常量</i>

H. 演算法具有哪幾個特徵

演算法是一種解決特定問題的方法和步驟的描述。通常來說，演算法具有以下幾個特徵：

• 有窮性：演算法必須在有限的時間內終止，否則將無限循環下去。

• 確定性：演算法的每一步都必須是確定的，沒有任何決策點。

• 可行性：演算法必須是可行的，即它的每一步都必須是可以實現的。

• 有效性：演算法必須是有效的，即它必須能夠解決所規定的問題。

• 健壯性：演算法必須是健壯的，即它必須能夠適應輸入數據的各種變化。

• 可讀性：演算法必須是可讀的，即它必須能夠被人類理解。

• 可維護性：演算法必須是可維護的，即它必須能夠被修改和改進。

• 可擴展性：演算法必須是可擴展的，即它必須能夠應對輸入數據規模的增長。

• 可重復使用性：演算法必須是可重復使用的，即它必須能夠被用於解決多個不同的問題。

• 可復制性：演算法必須是可復制的，即它必須能夠被拷貝和重新使用。

希望這些信息對您有所幫助。