Чем отличается алгоритм от инструкции

Здравствуйте, Arsen.Shnurkov, Вы писали:

AS>В чем?

алгоритм это формальное описание способа (метода) решения задачи
инструкция тоже самое только менее формально

IB>алгоритм это формальное описание способа (метода) решения задачи
IB>инструкция тоже самое только менее формально

а как еще может описываться метод (если не инструкцией/алгоритмом)?
если никак, то получается, что инструкция и метод — полные синонимы?

IB>программа на языке Х — это реализация алгоритма на языке X

а просто программа — это просто реализация алгоритма?
что здесь означает слово «реализация»?

Опубликовано 19.10.2020 10:21

Что общего между программистом и художником, кроме творческого беспорядка на столе? Они оба создают интересные вещи, используя креативность и выходя за рамки привычного мышления. Главное отличие в том, что программист следует законам логики и разрабатывает точные алгоритмы создания произведения. Об этом мы сегодня и поговорим.

Где логика?

Логика – это наука о правильном мышлении. Или в нашем случае – о правильной постановке команд, которые приведут к нужному результату. 

Последовательность таких команд в виде инструкций, описывающих порядок действий, называется Алгоритмом. Набор инструкций, которые идут друг за другом по определённому алгоритму, называется Программой.

Наименьшая автономная часть программы – это инструкция (команда или набор команд). По-другому инструкции называют «оператор» или «statements». Один оператор выполняет конкретный программный код. Это главная часть любой программы. 

Пишите максимально подробные и логичные инструкции для компьютера, чтобы он понял команду именно так, как вам требуется. Если этого не сделать – нужного результата не выйдет.

По сути, инструкции и алгоритмы – это то, чему подчиняются все процессы в реальном мире. Чтобы наглядно показать, как всё это работает, приведем пример из жизни.

Разбираем «на пальцах»

Вот Алексей. Он обычный парень, который любит играть в футбол. Нам необходимо прописать программу, симулирующую игру Лёши. Для этого мы прописываем конкретную инструкцию, которая состоит из таких команд:

1. Надеть спортивную одежду.

2. Взять мяч.

3. Выйти на улицу.

4. Поставить мяч на землю.

5. Ударить по мячу.

Запускаем игру и понимаем, что что-то идёт не так. Причина в том, что Алексей вышел играть в туфлях, а не в спортивной обуви, так как мы не учли в инструкции этот нюанс. 

Возвращаемся назад и дополняем:

1. Надеть спортивную одежду.

2. Надеть спортивную обувь.

3. Взять мяч.

4. Выйти на улицу.

5. Поставить мяч на землю.

6. Ударить по мячу.

Теперь игра идёт так, как мы задумали. 

Этот вариант примитивный. В настоящей программе инструкций будет гораздо больше. Каждое действие Алексея придётся прописывать подробно. Например, выход из дома: 

1. Открыть дверь.

2. Выйти.

3. Закрыть дверь.

4. Подойти к лифту.

5. Нажать на кнопку.

6. Зайти в лифт.

7. Нажать кнопку первого этажа.

8. Выйти из лифта и т. д.

Чем подробнее прописаны стейтменты, тем более качественно работает программа. 

Представьте количество команд, инструкций и сложность алгоритма в искусственном интеллекте или роботе. Сколько подробных инструкций предусматривает и прописывает программист, чтобы искусственный интеллект самостоятельно принимал решения, а робот ходил, разговаривал, отвечал и реагировал на действия.

Программа – живой организм, который постоянно развивается и изменяется. Актуализировать её придётся бесконечно: дописывать инструкции, расширять функционал, упрощать. При этом программа всё ещё не будет идеальной. Всегда есть что добавить или изменить.

В случае с Алексеем, дополнительно понадобилось бы прописать и то, что он идёт на выбранную спортивную площадку или стадион, зовёт с собой друзей и т. д.

Учитывайте тот факт, что ваша программа обязательно будет изменяться и дополняться. Тот, кто после вас займётся её поддержкой и развитием, должен понять вашу логику. Не слишком стремитесь к упрощению и минималистичности.

Виды алгоритмов

Последовательность команд и инструкций может быть разной. Но в основе лежат три вида алгоритмов: 

Линейный

Каждое действие выполняется последовательно друг за другом в строгом порядке. Когда выполнено одно, начинается другое. И так до последнего.

Циклический

По достижении определенного действия алгоритм возвращается на любое из предыдущих сколько угодно раз. Это делается с помощью циклов, которые мы обсудим на следующих уроках. В примере с футболистом цикличным алгоритм считался бы в том случае, если бы Алексей бесконечно бил по мячу.

Ветвление

В одной из команд (или нескольких) прописывается разветвление. Доходя до него, необходимо выбрать на какую из ветвей пойти дальше. Представьте, что идёте по дороге и встречаете развилку. Вам необходимо выбрать путь налево или направо. Это и есть алгоритм ветвления.

В чистом виде эти алгоритмы встречаются лишь в простейших программах. Чаще всего они комбинируются между собой. Именно комбинируемый алгоритм – самый распространённый вид алгоритма. 

Каждая программа состоит из сложного набора инструкций, где есть и циклы, и ветвления, и прямые линии. Со стороны это похоже на большое дерево с множеством веток, которые растут в разные стороны.

Все алгоритмы выполняют конкретные логические задачи: сортировка, поиск, сравнение и т. д. В каждой из задач эффективными будут разные алгоритмические последовательности. Для сортировки одни, для поиска другие.

Для разработки подходящего алгоритма и потребуется креативность. Вы сами выбираете путь и способы достижения результата, вдохновляясь природными процессами, опираясь на собственные ощущения, и описываете их в программе. Вспомните об этом, когда кто-нибудь снова скажет, что программирование – это только математика

Домашнее задание

Напишите линейный, циклический или разветвленный алгоритм. Это должен быть порядок действий, список команд, конкретная инструкция. Программа должна упростить вашу жизнь, делать то, что сами вы делать не хотите.

Наша
учеба, работа, личные дела — это
каждодневное, ежечасное решение различных
задач. Каждая задача требует для своего
решения выполнения определенных
действий. Многократно решая задачи,
можно заметить, что необходимые действия
должны выполняться в строго определенном
порядке. В таких случаях принято говорить
об алгоритме решения задач. Понятие
алгоритма считается одним из древнейших.
Оно возникло задолго до появления ЭВМ,
но с развитием вычислительной техники
его роль значительно возросла.

Происхождение
понятия алгоритма связано с именем
великого среднеазиатского ученого Аль
Хорезми, жившего в 9 веке н.э. Им были
сформулированы впервые правила выполнения
четырех арифметических действий.

Алгоритм
— это точная инструкция, а инструкции
встречаются во всех областях человеческой
деятельности. Однако не всякую инструкцию
можно назвать алгоритмом. Решая задачу,
человек часто не задумывается над тем,
как он это делает, и порой, затрудняется
записать последовательность выполняемых
действий. Но для того, чтобы поручить
решение задачи автоматическому устройству
необходимо составить алгоритм с четким
указанием последовательности действий.
Чтобы автоматическое устройство могло
решить задачу в соответствии с алгоритмом,
оно должно понимать каждое указание
алгоритма. Алгоритм применяется к
искомому набору исходных величин,
называемых аргументами. Цель исполнения
алгоритма получение определенного
результата, если в результате исполнения
алгоритма не достигнута определенная
цель, значит алгоритм либо неверен, либо
не завершен.

Алгоритм
и его свойства

Алгоритмом
называется точная инструкция исполнителю
в понятной для него форме, определяющая
процесс достижения поставленной цели
на основе имеющихся исходных данных за
конечное число шагов.

Основными
свойствами алгоритмов являются:

1. Универсальность
   (массовость) —
   применимость алгоритма к различным
   наборам исходных данных.

2. Дискретность
   — процесс решения задачи по алгоритму
   разбит на отдельные действия.

3. Однозначность
   — правила и порядок выполнения действий
   алгоритма имеют единственное толкование.

4. Конечность
   — каждое из действий и весь алгоритм в
   целом обязательно завершаются.

5. Результативность
   —
   по завершении выполнения алгоритма
   обязательно получается конечный
   результат.

6. Выполнимость
   — результата алгоритма достигается за
   конечное число шагов.

Алгоритм
считается правильным, если его выполнение
дает правильный результат. Соответственно
алгоритм содержит ошибки, если можно
указать такие допустимые исходные
данные или условия, при которых выполнение
алгоритма либо не завершится вообще,
либо не будет получено никаких результатов,
либо полученные результаты окажутся
неправильными.

Выделяют
три крупных класса алгоритмов:

• вычислительные
  алгоритмы,
  работающие со сравнительно простыми
  видами данных, такими как числа и
  матрицы, хотя сам процесс вычисления
  может быть долгим и сложным;

• информационные
  алгоритмы, представляющие собой набор
  сравнительно простых процедур, работающих
  с большими объемами информации (алгоритмы
  баз данных);

• управляющие
  алгоритмы, генерирующие различные
  управляющие воздействия на основе
  данных, полученных от внешних процессов,
  которыми алгоритмы управляют.

Способы
записи алгоритмов

Для
записи алгоритмов используют самые
разнообразные средства. Выбор средства
определяется типом исполняемого
алгоритма. Выделяют следующие основные
способы записи алгоритмов:

• вербальный,
  когда алгоритм описывается на человеческом
  языке;

• символьный,
  когда алгоритм описывается с помощью
  набора символов;

• графический,
  когда алгоритм описывается с помощью
  набора графических изображений.

Общепринятыми
способами записи являются графическая
запись с помощью блок-схем и символьная
запись с помощью какого-либо алгоритмического
языка.

Описание
алгоритма с помощью блок схем осуществляется
рисованием последовательности
геометрических фигур, каждая из которых
подразумевает выполнение определенного
действия алгоритма. Порядок выполнения
действий указывается стрелками. Написание
алгоритмов с помощью блок-схем
регламентируется ГОСТом. Внешний вид
основных блоков, применяемых при
написании блок схем, приведен на рисунке:

В
зависимости от последовательности
выполнения действий в алгоритме выделяют
алгоритмы линейной, разветвленной и
циклической структуры.

В
алгоритмах
линейной структуры
действия выполняются последовательно
одно за другим:

В
алгоритмах
разветвленной структуры
в зависимости от выполнения или
невыполнения какого-либо условия
производятся различные последовательности
действий. Каждая такая последовательность
действий называется ветвью
алгоритма.

В
алгоритмах
циклической структуры
в зависимости от выполнения или
невыполнения какого-либо условия
выполняется повторяющаяся последовательность
действий, называющаяся телом
цикла.
Вложенным
называется цикл, находящийся внутри
тела другого цикла. Различают циклы с
предусловием
и постусловием:

Итерационным
называется цикл, число повторений
которого не задается, а определяется в
ходе выполнения цикла. В этом случае
одно повторение цикла называется
итерацией.

Языки
программирования

На
практике в качестве исполнителей
алгоритмов используются специальные
автоматы — компьютеры. Для того, чтобы
ЭВМ могла выполнять программу, программа
должна быть записана по строгим правилам
в виде, доступном для обработки на ЭВМ.
Программа для такой машины записывается
на так называемом машинном
языке,
т. е. представляет собой последовательность
двоичных чисел. Придумывать и записывать
программу на машинном языке неудобно.
Это нудная и долгая работа не обходилась
без ошибок, которые было очень непросто
найти.

Поэтому
возникла идея записывать программу на
так называемом алгоритмическом
языке
или языке
программирования.
Языки
программирования
– специально разработанные искусственные
языки, предназначенные исключительно
для записи алгоритмов, исполнение
которых поручается ЭВМ.

Обычный
разговорный язык состоит из четырех
основных элементов: символов, слов,
словосочетаний и предложений.
Алгоритмический язык содержит подобные
элементы, только слова называют
элементарными конструкциями, словосочетания
— выражениями, предложения — операторами.
Алгоритмический язык (как и любой другой
язык), образуют три его составляющие:
алфавит, синтаксис и семантика.

Алфавит
– фиксированный для данного языка набор
символов (букв, цифр, специальных знаков
и т.д.), которые могут быть использованы
при написании программы.

Синтаксис
— правила построения из символов алфавита
специальных конструкций, с помощью
которых составляется алгоритм.

Семантика
— система правил толкования конструкций
языка. Таким образом, программа
составляется с помощью соединения
символов алфавита в соответствии с
синтаксическими правилами и с учетом
правил семантики.

Краткая
история и классификация языков
программирования

Первые
языки программирования были очень
примитивными и мало чем отличались от
формализованных упорядоченных
последовательностей единиц и нулей,
понятных компьютеру. Использование
таких языков было крайне неудобно с
точки зрения программиста, так как он
должен был знать числовые коды всех
машинных команд, должен был сам
распределять память под команды программы
и данные.

Для
того, чтобы облегчить общение человека
с ЭВМ были созданы языки программирования
типа Ассемблер. Переменные величины
стали изображаться символическими
именами. Числовые коды операций заменились
на мнемонические обозначения, которые
легче запомнить. Язык программирования
приблизился к человеческому языку, и
отдалился от языка машинных команд.

Один
из первых языков программирования –
Фортран
(Formula
Translation)
был создан в середине 50-х годов. Благодаря
своей простоте и тому, что на этом языке
накоплены большие библиотеки программ
Фортран и в наши дни остается одним из
самых распространенных. Он используется
для инженерных и научных расчетов, для
решения задач физики и других наук с
развитым математическим аппаратом.

Для
решения экономических задач был создан
язык программирования — Кобол.

Расширение
областей применения ЭВМ влечет за собой
создание языков, ориентированных на
новые сферы применения: Снобол
–
алгоритмический язык для обработки
текстовой информации, Лисп
—
алгоритмический язык для обработки
символов. Лисп находит широкое
применение в исследованиях по созданию
искусственного интеллекта.

В
1968 г. был объявлен конкурс на лучший
язык программирования для обучения
студентов. Победителем стал язык
Алгол-68,
но широкого распространения не получил.
Для этого конкурса Никлаус Вирт создал
язык Паскаль,
достаточно простой, удобный, с наличием
мощных средств структурирования данных.
Хотя Паскаль был разработан как язык
для обучения программированию, он
впоследствии получил широкое развитие
и в настоящее время считается одним из
самых используемых языков. Для обучения
младших школьников Самуэлем Пайпертом
был разработан язык Лого.
Он отличается простотой и богатыми
возможностями.

Широкое
распространение в школах в качестве
обучающего языка получил язык Бейсик,
позволяющий взаимодействовать с ЭВМ в
режиме непосредственного диалога.
Спустя много лет после изобретения
Бейсика, он и сегодня самый простой для
освоения из десятков языков общецелевого
программирования.

Необходимость
разработки больших программ, управляющих
работой ЭВМ, потребовала создания
специального языка программирования
СИ
в начале 70-х г. Он является одним из
универсальных языков программирования.
В отличии от Паскаля, в нем заложены
возможности непосредственного обращения
к некоторым машинным командам и к
определенным участкам памяти компьютера.
Си широко используется как
инструментальный язык для разработки
операционных систем, трансляторов, баз
данных и других системных и прикладных
программ. Си – это язык программирования
общего назначения, хорошо известный
своей эффективностью, экономичностью,
и переносимостью. Во многих случаях
программы, написанные на Си, сравнимы
по скорости с программами, написанными
на языке Ассемблера. При этом они имеют
лучшую наглядность и их более просто
сопровождать. Си сочетает эффективность
и мощность в относительно малом по
размеру языке.

Появление
функционального программирования
привело к созданию языка Пролог.
Этот язык программирования разрабатывался
для задач анализа и понимания естественных
языков на основе языка формальной логики
и методов автоматического доказательства
теорем.

В
80-х г. 20 века был создан язык Ада.
Этот
язык в дополнение к классическим
свойствам, обеспечивает программирование
задач реального времени и моделирования
параллельного решения задач.

Существуют
различные классификации
языков программирования.
По наиболее распространенной классификации
все языки программирования делят на
языки низкого,
высокого и сверхвысокого уровня.

В
группу языков низкого
уровня
входят машинные языки и языки символического
кодирования: (Автокод,
Ассемблер).
Операторы этого языка – это те же
машинные команды, но записанные
мнемоническими кодами, а в качестве
операндов используются не конкретные
адреса, а символические имена. Все языки
низкого уровня ориентированы на
определенный тип компьютера, т. е.
являются машинно-зависимыми.
Машинно-ориентированные
языки
– это языки, наборы операторов и
изобразительные средства которых
существенно зависят от особенностей
ЭВМ (внутреннего языка, структуры памяти
и т.д.).

Следующую,
существенно более многочисленную группу
составляют языки программирования
высокого
уровня.
Это Фортран,
Алгол, Кобол, Паскаль, Бейсик, Си, Пролог
и т.д.
Эти языки машинно-независимы, т.к. они
ориентированы не на систему команд той
или иной ЭВМ, а на систему операндов,
характерных для записи определенного
класса алгоритмов. Однако программы,
написанные на языках высокого уровня,
занимают больше памяти и медленнее
выполняются, чем программы на машинных
языках.

К
языкам сверхвысокого
уровня
можно отнести лишь Алгол-68
и APL.
Повышение уровня этих языков произошло
за счет введения сверхмощных операций
и операторов.

Другая
классификация делит языки на вычислительные
и языки символьной
обработки.
К первому типу относят Фортран, Паскаль,
Алгол, Бейсик, Си, ко второму типу — Лисп,
Пролог, Снобол и др.

В современной
информатике можно выделить два основных
направления развития языков
программирования: процедурное
и непроцедурное.

Процедурное
программирование возникло на заре
вычислительной техники и получило
широкое распространение. В процедурных
языках программа явно описывает действия,
которые необходимо выполнить, а результат
задается только способом получения его
при помощи некоторой процедуры, которая
представляет собой определенную
последовательность действий.

Среди
процедурных языков выделяют в свою
очередь структурные
и операционные
языки.
В структурных языках одним оператором
записываются целые алгоритмические
структуры: ветвления, циклы и т.д.
В операционных языках для этого
используются несколько операций. Широко
распространены следующие структурные
языки: Паскаль, Си, Ада, ПЛ/1. Среди
операционных известны Фортран, Бейсик,
Фокал.

Непроцедурное
(декларативное)
программирование появилось в начале
70-х годов 20 века, но стремительное его
развитие началось в 80-е годы, когда был
разработан японский проект создания
ЭВМ пятого поколения, целью которого
явилась подготовка почвы для создания
интеллектуальных машин. К непроцедурному
программированию относятся функциональные
и логические
языки.

В функциональных
языках
программа описывает вычисление некоторой
функции. Обычно эта функция задается
как композиция других, более простых,
те в свою очередь разлагаются на еще
более простые и т.д. Один из основных
элементов в функциональных языках —
рекурсия,
то есть вычисление значения функции
через значение этой же функции от других
элементов. Присваивания и циклов в
классических функциональных языках нет.

В логических
языках
программа вообще не описывает действий.
Она задает данные и соотношения между
ними. После этого системе можно задавать
вопросы. Машина перебирает известные
и заданные в программе данные и находит
ответ на вопрос. Порядок перебора не
описывается в программе, а неявно
задается самим языком. Классическим
языком логического программирования
считается Пролог. Построение логической
программы вообще не требует алгоритмического
мышления, программа описывает статические
отношения объектов, а динамика находится
в механизме перебора и скрыта от
программиста.

Можно
выделить еще один класс языков
программирования — объектно—ориентированные
языки
высокого
уровня.
На таких языках не описывают подробной
последовательности действий для решения
задачи, хотя они содержат элементы
процедурного программирования.
Объектно-ориентированные языки, благодаря
богатому пользовательскому интерфейсу,
предлагают человеку решить задачу в
удобной для него форме. Примером такого
языка может служить язык программирования
визуального общения Object Pascal.

Языки
описания сценариев,
такие как Perl, Python, Rexx, Tcl и языки оболочек
UNIX, предполагают стиль программирования,
весьма отличный от характерного для
языков системного уровня. Они
предназначаются не для написания
приложения с нуля, а для комбинирования
компонентов, набор которых создается
заранее при помощи других языков.
Развитие и рост популярности Internet также
способствовали распространению языков
описания сценариев. Так, для написания
сценариев широко употребляется язык
Perl, а среди разработчиков Web-страниц
популярен JavaScript.

Основные
элементы алгоритмического языка

Основными
понятиями в алгоритмических языках
являются следующие.

Имена
(идентификаторы)
— последовательность символов для
обозначения объектов программы
(переменных, массивов, функций и дp.).

Операции.
Существуют следующие типы операций:

• арифметические
  операции:
  сложение, обозначается символом “+”;
  вычитание, обозначается символом “-”;
  умножение, обозначается символом “*”;
  деление, обозначается символом “/” и
  дp. ;

• логические
  операции:
  операции “логическое и”, “логическое
  или”, “логическое не” и др.;

• операции
  отношения:
  меньше, обозначается символом “<”;
  больше, обозначается символом “>”;
  меньше или равно, обозначается символами
  “<=”; больше или равно, обозначается
  символами “>=”; равно, обозначается
  символом “=”; не равно, обозначается
  символами “<>”.

• операция
  конкатенации
  символьных значений дpуг с другом,
  изображается знаком «+».

Ключевые
слова
– это слова языка, имеющие строго
определенное назначение, которые не
могут использоваться в качестве
идентификаторов.

Данные
— величины, обрабатываемые программой.
Имеется тpи основных вида данных:
константы,
переменные
и массивы.

Константы
— это данные, которые зафиксированы в
тексте программы и не изменяются в
процессе ее выполнения.

Примеры
констант:

числовые:
7.5, 12;

логические:
true (истина), false (ложь);

символьные:
«А», «+»;

строковые:
«abcde», «информатика».

Переменные
– это данные, которые могут изменять
свои значения в ходе выполнения программы.
Они обозначаются именами. Переменные
бывают целые,
вещественные,
логические,
символьные
и строковые.

Массивы
— последовательности однотипных
элементов, число которых фиксировано
и которым присвоено одно имя. Положение
элемента в массиве однозначно определяется
его индексами — одним в случае одномерного
массива, или несколькими, если массив
многомерный.

Выражения
– элементы языка, которые предназначаются
для выполнения необходимых вычислений,
состоят из констант, переменных,
указателей функций, объединенных знаками
операций. Выражения записываются в виде
линейных последовательностей символов
(без подстрочных и надстрочных символов,
«многоэтажных» дробей и т. д.), что
позволяет вводить их в компьютер,
последовательно нажимая на соответствующие
клавиши клавиатуры.

Различают
выражения арифметические,
логические
и строковые.

Арифметические
выражения
служат для определения одного числового
значения. Арифметические выражения
записываются по следующим правилам:

1. Нельзя
   опускать знак умножения между
   сомножителями и ставить рядом два знака
   операций.

2. Индексы
   элементов массивов записываются в
   скобках.

3. Операции
   выполняются в порядке старшинства:
   сначала вычисление функций, затем
   возведение в степень, потом умножение
   и деление и в последнюю очередь — сложение
   и вычитание.

4. Операции
   одного старшинства выполняются слева
   направо.

Логические
выражения
описывают некоторые условия, которые
могут удовлетворяться или не
удовлетворяться. Таким образом, логическое
выражение может принимать только два
значения — «истина» или «ложь»
(да или нет).

В
записи логических выражений помимо
арифметических операций сложения,
вычитания, умножения, деления и возведения
в степень используются операции отношения
и логические операции.

Значения
строковых
выражений
— тексты. В них могут входить строковые
константы, строковые переменные и
строковые функции, разделенные знаком
операции конкатенации.

Оператор
– это элемент языка, который задает
полное описание некоторого действия,
которое необходимо выполнить. Оператор
— это наиболее крупное и содержательное
понятие языка: каждый оператор представляет
собой законченную фразу языка
программирования и определяет некоторый
вполне законченный этап обработки
данных. В состав операторов входят
ключевые слова; данные; выражения и т.д.

Стандартная
функция
– подпрограмма, заранее встроенная в
транслятор языка для вычисления часто
употребляемых функций. В качестве
аргументов функций можно использовать
константы, переменные и выражения.

Программа
— это последовательность инструкций,
предназначенных для выполнения
компьютером. В настоящее время программы
оформляются в виде текста, который
записывается в файлы.

Программирование
– это теоретическая и практическая
деятельность решения задачи средствами
конкретного языка программирования и
оформления полученных результатов в
виде программы.

На
стадии программирования возникает этап
отладки программы – процесс обнаружения
и устранения ошибок в программе,
производимой по результатам ее
тестирования на компьютере.

После
окончательной отладки программа
документируется, т.е. к ней прилагается
описание назначения программы и
инструкция по эксплуатации. Только
после этого программа становится
законченным программным продуктом,
подготовленным к реализации как любой
иной вид промышленной продукции.

Языки
высокого уровня работают через
трансляционные программы —трансляторы,
которые преобразуют исходный код в
последовательность команд машинного
языка. Существует два основных вида
трансляторов: интерпретаторы,
которые сканируют и проверяют исходный
код в один шаг, и компиляторы,
которые сканируют исходный код для
создания текста программы на машинном
языке, которая затем выполняется
отдельно.

В
общем случае программа может иметь
модульную
структуру,
т.е. состоять из нескольких программных
единиц, связанных между собой командами
передачи управления. Такой принцип
построения программ называется модульным.
Программная единица, с первой команды
которой начинается выполнение программы,
называется головной программой. Остальные
программные единицы, входящие в единую
программу, называются подпрограммами.

Подпрограмма
— это последовательность операторов,
которые определены и записаны только
в одном месте программы, однако их можно
вызвать для выполнения из одной или
нескольких точек программы.

Функция
— это программная единица, которая может
быть употреблена в выражении. Функция
прямо возвращает величину, которая
используется при вычислении этого
выражения, и, кроме того, может возвращать
величины через параметры.

Процесс
разработки многомодульных программ
эффективнее, особенно если разрабатывается
программа большого размера, когда над
реализацией проекта может работать
несколько программистов, каждый из
которых имеет возможность модифицировать
фрагменты программы, не мешая работе
остальных.

Подпрограммы
и функции позволяют создавать большие
структурированные программы, которые
можно делить на части. Это дает преимущества
в следующих ситуациях:

1. Если
   программа большая, разделение ее на
   части облегчает создание, тестирование
   и ее сборку.

2. Если
   программа большая и повторная компиляция
   всего исходного текста занимает много
   времени, разделение ее на части экономит
   время компиляции.

3. Если
   процедуру надо использовать в разных
   случаях разным образом, можно записать
   ее в отдельный файл и скомпилировать
   отдельно.

Инструментальные
системы программирования

Для
популярных языков программирования на
ЭВМ существует множество систем
программирования. Программисты
предпочитают те системы, которые легки
в использовании, позволяют получить
эффективные программы, имеют богатые
библиотеки функций (подпрограмм) и
мощные возможности для отладки
разрабатываемых программ. В качестве
примеров таких систем программирования
можно назвать Delphi, Visual C++, Visual Basic.

Системы
программирования прежде всего различаются
по тому, какой язык программирования
они реализуют. Среди программистов,
пишущих программы для персональных
компьютеров, наибольшей популярностью
пользуются языки Си, Паскаль и Бейсик.

In mathematics and computer science, an algorithm () is a finite sequence of rigorous instructions, typically used to solve a class of specific problems or to perform a computation.^[1] Algorithms are used as specifications for performing calculations and data processing. More advanced algorithms can use conditionals to divert the code execution through various routes (referred to as automated decision-making) and deduce valid inferences (referred to as automated reasoning), achieving automation eventually. Using human characteristics as descriptors of machines in metaphorical ways was already practiced by Alan Turing with terms such as «memory», «search» and «stimulus».^[2]

In contrast, a heuristic is an approach to problem solving that may not be fully specified or may not guarantee correct or optimal results, especially in problem domains where there is no well-defined correct or optimal result.^[3]

As an effective method, an algorithm can be expressed within a finite amount of space and time^[4] and in a well-defined formal language^[5] for calculating a function.^[6] Starting from an initial state and initial input (perhaps empty),^[7] the instructions describe a computation that, when executed, proceeds through a finite^[8] number of well-defined successive states, eventually producing «output»^[9] and terminating at a final ending state. The transition from one state to the next is not necessarily deterministic; some algorithms, known as randomized algorithms, incorporate random input.^[10]

History[edit]

Ancient algorithms[edit]

Since antiquity, step-by-step procedures for solving mathematical problems have been attested. This includes Babylonian mathematics (around 2500 BC),^[11] Egyptian mathematics (around 1550 BC),^[11] Indian mathematics (around 800 BC and later; e.g. Shulba Sutras, Kerala School, and Brāhmasphuṭasiddhānta),^[12][13] The Ifa Oracle (around 500 BC), Greek mathematics (around 240 BC, e.g. sieve of Eratosthenes and Euclidean algorithm),^[14] and Arabic mathematics (9th century, e.g. cryptographic algorithms for code-breaking based on frequency analysis).^[15]

Al-khwarizmi and the term algorithm[edit]

Around 825, Muhammad ibn Musa al-Khwarizmi wrote kitāb al-ḥisāb al-hindī («Book of Indian computation») and kitab al-jam’ wa’l-tafriq al-ḥisāb al-hindī («Addition and subtraction in Indian arithmetic»). Both of these texts are lost in the original Arabic at this time. (However, his other book on algebra remains.)^[16]

In the early 12th century, Latin translations of said al-Khwarizmi texts involving the Hindu–Arabic numeral system and arithmetic appeared: Liber Alghoarismi de practica arismetrice (attributed to John of Seville) and Liber Algorismi de numero Indorum (attributed to Adelard of Bath).^[17] Hereby, alghoarismi or algorismi is the Latinization of Al-Khwarizmi’s name; the text starts with the phrase Dixit Algorismi («Thus spoke Al-Khwarizmi»).^[18]

In 1240, Alexander of Villedieu writes a Latin text titled Carmen de Algorismo. It begins with:

Haec algorismus ars praesens dicitur, in qua / Talibus Indorum fruimur bis quinque figuris.

which translates to:

Algorism is the art by which at present we use those Indian figures, which number two times five.

The poem is a few hundred lines long and summarizes the art of calculating with the new styled Indian dice (Tali Indorum), or Hindu numerals.^[19]

English evolution of the word[edit]

Around 1230, the English word algorism is attested and then by Chaucer in 1391. English adopted the French term.^[20][21]

In the 15th century, under the influence of the Greek word ἀριθμός (arithmos, «number»; cf. «arithmetic»), the Latin word was altered to algorithmus.

In 1656, in the English dictionary Glossographia, it says:^[22]

Algorism ([Latin] algorismus) the Art or use of Cyphers, or of numbering by Cyphers; skill in accounting.

Augrime ([Latin] algorithmus) skil in accounting or numbring.

In 1658, in the first edition of The New World of English Words, it says:^[23]

Algorithme, (a word compounded of Arabick and Spanish,) the art of reckoning by Cyphers.

In 1706, in the sixth edition of The New World of English Words, it says:^[24]

Algorithm, the Art of computing or reckoning by numbers, which contains the five principle Rules of Arithmetick, viz. Numeration, Addition, Subtraction, Multiplication and Division; to which may be added Extraction of Roots: It is also call’d Logistica Numeralis.

Algorism, the practical Operation in the several Parts of Specious Arithmetick or Algebra; sometimes it is taken for the Practice of Common Arithmetick by the ten Numeral Figures.

In 1751, in the Young Algebraist’s Companion, Daniel Fenning contrasts the terms algorism and algorithm as follows:^[25]

Algorithm signifies the first Principles, and Algorism the practical Part, or knowing how to put the Algorithm in Practice.

Since at least 1811, the term algorithm is attested to mean a «step-by-step procedure» in English.^[26][27]

In 1842, in the Dictionary of Science, Literature and Art, it says:

ALGORITHM, signifies the art of computing in reference to some particular subject, or in some particular way; as the algorithm of numbers; the algorithm of the differential calculus.^[28]

Machine usage[edit]

In 1928, a partial formalization of the modern concept of algorithms began with attempts to solve the Entscheidungsproblem (decision problem) posed by David Hilbert. Later formalizations were framed as attempts to define «effective calculability»^[29] or «effective method».^[30] Those formalizations included the Gödel–Herbrand–Kleene recursive functions of 1930, 1934 and 1935, Alonzo Church’s lambda calculus of 1936, Emil Post’s Formulation 1 of 1936, and Alan Turing’s Turing machines of 1936–37 and 1939.

Informal definition[edit]

For a detailed presentation of the various points of view on the definition of «algorithm», see Algorithm characterizations.

One informal definition is «a set of rules that precisely defines a sequence of operations»,^{[31][need quotation to verify]} which would include all computer programs (including programs that do not perform numeric calculations), and (for example) any prescribed bureaucratic procedure^[32]
or cook-book recipe.^[33]

In general, a program is an algorithm only if it stops eventually^[34]—even though infinite loops may sometimes prove desirable.

A prototypical example of an algorithm is the Euclidean algorithm, which is used to determine the maximum common divisor of two integers; an example (there are others) is described by the flowchart above and as an example in a later section.

Boolos, Jeffrey & 1974, 1999 offer an informal meaning of the word «algorithm» in the following quotation:

No human being can write fast enough, or long enough, or small enough† ( †»smaller and smaller without limit … you’d be trying to write on molecules, on atoms, on electrons») to list all members of an enumerably infinite set by writing out their names, one after another, in some notation. But humans can do something equally useful, in the case of certain enumerably infinite sets: They can give explicit instructions for determining the nth member of the set, for arbitrary finite n. Such instructions are to be given quite explicitly, in a form in which they could be followed by a computing machine, or by a human who is capable of carrying out only very elementary operations on symbols.^[35]

An «enumerably infinite set» is one whose elements can be put into one-to-one correspondence with the integers. Thus Boolos and Jeffrey are saying that an algorithm implies instructions for a process that «creates» output integers from an arbitrary «input» integer or integers that, in theory, can be arbitrarily large. For example, an algorithm can be an algebraic equation such as y = m + n (i.e., two arbitrary «input variables» m and n that produce an output y), but various authors’ attempts to define the notion indicate that the word implies much more than this, something on the order of (for the addition example):

Precise instructions (in a language understood by «the computer»)^[36] for a fast, efficient, «good»^[37] process that specifies the «moves» of «the computer» (machine or human, equipped with the necessary internally contained information and capabilities)^[38] to find, decode, and then process arbitrary input integers/symbols m and n, symbols + and = … and «effectively»^[39] produce, in a «reasonable» time,^[40] output-integer y at a specified place and in a specified format.

The concept of algorithm is also used to define the notion of decidability—a notion that is central for explaining how formal systems come into being starting from a small set of axioms and rules. In logic, the time that an algorithm requires to complete cannot be measured, as it is not apparently related to the customary physical dimension. From such uncertainties, that characterize ongoing work, stems the unavailability of a definition of algorithm that suits both concrete (in some sense) and abstract usage of the term.

Most algorithms are intended to be implemented as computer programs. However, algorithms are also implemented by other means, such as in a biological neural network (for example, the human brain implementing arithmetic or an insect looking for food), in an electrical circuit, or in a mechanical device.

Formalization[edit]

Algorithms are essential to the way computers process data. Many computer programs contain algorithms that detail the specific instructions a computer should perform—in a specific order—to carry out a specified task, such as calculating employees’ paychecks or printing students’ report cards. Thus, an algorithm can be considered to be any sequence of operations that can be simulated by a Turing-complete system. Authors who assert this thesis include Minsky (1967), Savage (1987), and Gurevich (2000):

Minsky: «But we will also maintain, with Turing … that any procedure which could «naturally» be called effective, can, in fact, be realized by a (simple) machine. Although this may seem extreme, the arguments … in its favor are hard to refute».^[41]
Gurevich: «… Turing’s informal argument in favor of his thesis justifies a stronger thesis: every algorithm can be simulated by a Turing machine … according to Savage [1987], an algorithm is a computational process defined by a Turing machine».^[42]

Turing machines can define computational processes that do not terminate. The informal definitions of algorithms generally require that the algorithm always terminates. This requirement renders the task of deciding whether a formal procedure is an algorithm impossible in the general case—due to a major theorem of computability theory known as the halting problem.

Typically, when an algorithm is associated with processing information, data can be read from an input source, written to an output device and stored for further processing. Stored data are regarded as part of the internal state of the entity performing the algorithm. In practice, the state is stored in one or more data structures.

For some of these computational processes, the algorithm must be rigorously defined: and specified in the way it applies in all possible circumstances that could arise. This means that any conditional steps must be systematically dealt with, case by case; the criteria for each case must be clear (and computable).

Because an algorithm is a precise list of precise steps, the order of computation is always crucial to the functioning of the algorithm. Instructions are usually assumed to be listed explicitly, and are described as starting «from the top» and going «down to the bottom»—an idea that is described more formally by flow of control.

So far, the discussion on the formalization of an algorithm has assumed the premises of imperative programming. This is the most common conception—one which attempts to describe a task in discrete, «mechanical» means. Unique to this conception of formalized algorithms is the assignment operation, which sets the value of a variable. It derives from the intuition of «memory» as a scratchpad. An example of such an assignment can be found below.

For some alternate conceptions of what constitutes an algorithm, see functional programming and logic programming.

Expressing algorithms[edit]

Algorithms can be expressed in many kinds of notation, including natural languages, pseudocode, flowcharts, drakon-charts, programming languages or control tables (processed by interpreters). Natural language expressions of algorithms tend to be verbose and ambiguous, and are rarely used for complex or technical algorithms. Pseudocode, flowcharts, drakon-charts and control tables are structured ways to express algorithms that avoid many of the ambiguities common in the statements based on natural language. Programming languages are primarily intended for expressing algorithms in a form that can be executed by a computer, but are also often used as a way to define or document algorithms.

There is a wide variety of representations possible and one can express a given Turing machine program as a sequence of machine tables (see finite-state machine, state transition table and control table for more), as flowcharts and drakon-charts (see state diagram for more), or as a form of rudimentary machine code or assembly code called «sets of quadruples» (see Turing machine for more).

Representations of algorithms can be classed into three accepted levels of Turing machine description, as follows:^[43]

1 High-level description

«…prose to describe an algorithm, ignoring the implementation details. At this level, we do not need to mention how the machine manages its tape or head.»

2 Implementation description

«…prose used to define the way the Turing machine uses its head and the way that it stores data on its tape. At this level, we do not give details of states or transition function.»

3 Formal description

Most detailed, «lowest level», gives the Turing machine’s «state table».

For an example of the simple algorithm «Add m+n» described in all three levels, see Examples.

Design[edit]

See also: Algorithm § By design paradigm

Algorithm design refers to a method or a mathematical process for problem-solving and engineering algorithms. The design of algorithms is part of many solution theories, such as divide-and-conquer or dynamic programming within operation research. Techniques for designing and implementing algorithm designs are also called algorithm design patterns,^[44] with examples including the template method pattern and the decorator pattern.

One of the most important aspects of algorithm design is resource (run-time, memory usage) efficiency; the big O notation is used to describe e.g. an algorithm’s run-time growth as the size of its input increases.

Typical steps in the development of algorithms:

1. Problem definition
2. Development of a model
3. Specification of the algorithm
4. Designing an algorithm
5. Checking the correctness of the algorithm
6. Analysis of algorithm
7. Implementation of algorithm
8. Program testing
9. Documentation preparation^{[clarification needed]}

Computer algorithms[edit]

«Elegant» (compact) programs, «good» (fast) programs : The notion of «simplicity and elegance» appears informally in Knuth and precisely in Chaitin:

Knuth: » … we want good algorithms in some loosely defined aesthetic sense. One criterion … is the length of time taken to perform the algorithm …. Other criteria are adaptability of the algorithm to computers, its simplicity, and elegance, etc.»^[45]

Chaitin: » … a program is ‘elegant,’ by which I mean that it’s the smallest possible program for producing the output that it does»^[46]

Chaitin prefaces his definition with: «I’ll show you can’t prove that a program is ‘elegant‘«—such a proof would solve the Halting problem (ibid).

Algorithm versus function computable by an algorithm: For a given function multiple algorithms may exist. This is true, even without expanding the available instruction set available to the programmer. Rogers observes that «It is … important to distinguish between the notion of algorithm, i.e. procedure and the notion of function computable by algorithm, i.e. mapping yielded by procedure. The same function may have several different algorithms».^[47]

Unfortunately, there may be a tradeoff between goodness (speed) and elegance (compactness)—an elegant program may take more steps to complete a computation than one less elegant. An example that uses Euclid’s algorithm appears below.

Computers (and computors), models of computation: A computer (or human «computer»^[48]) is a restricted type of machine, a «discrete deterministic mechanical device»^[49] that blindly follows its instructions.^[50] Melzak’s and Lambek’s primitive models^[51] reduced this notion to four elements: (i) discrete, distinguishable locations, (ii) discrete, indistinguishable counters^[52] (iii) an agent, and (iv) a list of instructions that are effective relative to the capability of the agent.^[53]

Minsky describes a more congenial variation of Lambek’s «abacus» model in his «Very Simple Bases for Computability».^[54] Minsky’s machine proceeds sequentially through its five (or six, depending on how one counts) instructions unless either a conditional IF-THEN GOTO or an unconditional GOTO changes program flow out of sequence. Besides HALT, Minsky’s machine includes three assignment (replacement, substitution)^[55] operations: ZERO (e.g. the contents of location replaced by 0: L ← 0), SUCCESSOR (e.g. L ← L+1), and DECREMENT (e.g. L ← L − 1).^[56] Rarely must a programmer write «code» with such a limited instruction set. But Minsky shows (as do Melzak and Lambek) that his machine is Turing complete with only four general types of instructions: conditional GOTO, unconditional GOTO, assignment/replacement/substitution, and HALT. However, a few different assignment instructions (e.g. DECREMENT, INCREMENT, and ZERO/CLEAR/EMPTY for a Minsky machine) are also required for Turing-completeness; their exact specification is somewhat up to the designer. The unconditional GOTO is convenient; it can be constructed by initializing a dedicated location to zero e.g. the instruction » Z ← 0 «; thereafter the instruction IF Z=0 THEN GOTO xxx is unconditional.

Simulation of an algorithm: computer (computor) language: Knuth advises the reader that «the best way to learn an algorithm is to try it . . . immediately take pen and paper and work through an example».^[57] But what about a simulation or execution of the real thing? The programmer must translate the algorithm into a language that the simulator/computer/computor can effectively execute. Stone gives an example of this: when computing the roots of a quadratic equation the computer must know how to take a square root. If they do not, then the algorithm, to be effective, must provide a set of rules for extracting a square root.^[58]

This means that the programmer must know a «language» that is effective relative to the target computing agent (computer/computor).

But what model should be used for the simulation? Van Emde Boas observes «even if we base complexity theory on abstract instead of concrete machines, the arbitrariness of the choice of a model remains. It is at this point that the notion of simulation enters».^[59] When speed is being measured, the instruction set matters. For example, the subprogram in Euclid’s algorithm to compute the remainder would execute much faster if the programmer had a «modulus» instruction available rather than just subtraction (or worse: just Minsky’s «decrement»).

Structured programming, canonical structures: Per the Church–Turing thesis, any algorithm can be computed by a model known to be Turing complete, and per Minsky’s demonstrations, Turing completeness requires only four instruction types—conditional GOTO, unconditional GOTO, assignment, HALT. Kemeny and Kurtz observe that, while «undisciplined» use of unconditional GOTOs and conditional IF-THEN GOTOs can result in «spaghetti code», a programmer can write structured programs using only these instructions; on the other hand «it is also possible, and not too hard, to write badly structured programs in a structured language».^[60] Tausworthe augments the three Böhm-Jacopini canonical structures:^[61] SEQUENCE, IF-THEN-ELSE, and WHILE-DO, with two more: DO-WHILE and CASE.^[62] An additional benefit of a structured program is that it lends itself to proofs of correctness using mathematical induction.^[63]

Canonical flowchart symbols^[64]: The graphical aide called a flowchart offers a way to describe and document an algorithm (and a computer program corresponding to it). Like the program flow of a Minsky machine, a flowchart always starts at the top of a page and proceeds down. Its primary symbols are only four: the directed arrow showing program flow, the rectangle (SEQUENCE, GOTO), the diamond (IF-THEN-ELSE), and the dot (OR-tie). The Böhm–Jacopini canonical structures are made of these primitive shapes. Sub-structures can «nest» in rectangles, but only if a single exit occurs from the superstructure. The symbols and their use to build the canonical structures are shown in the diagram.

Examples[edit]

Algorithm example[edit]

One of the simplest algorithms is to find the largest number in a list of numbers of random order. Finding the solution requires looking at every number in the list. From this follows a simple algorithm, which can be stated in a high-level description in English prose, as:

High-level description:

1. If there are no numbers in the set, then there is no highest number.
2. Assume the first number in the set is the largest number in the set.
3. For each remaining number in the set: if this number is larger than the current largest number, consider this number to be the largest number in the set.
4. When there are no numbers left in the set to iterate over, consider the current largest number to be the largest number of the set.

(Quasi-)formal description:
Written in prose but much closer to the high-level language of a computer program, the following is the more formal coding of the algorithm in pseudocode or pidgin code:

Algorithm LargestNumber
Input: A list of numbers L.
Output: The largest number in the list L.

if L.size = 0 return null
largest ← L[0]
for each item in L, do
    if item > largest, then
        largest ← item
return largest

Euclid’s algorithm[edit]

In mathematics, the Euclidean algorithm or Euclid’s algorithm, is an efficient method for computing the greatest common divisor (GCD) of two integers (numbers), the largest number that divides them both without a remainder. It is named after the ancient Greek mathematician Euclid, who first described it in his Elements (c. 300 BC).^[65] It is one of the oldest algorithms in common use. It can be used to reduce fractions to their simplest form, and is a part of many other number-theoretic and cryptographic calculations.

Euclid poses the problem thus: «Given two numbers not prime to one another, to find their greatest common measure». He defines «A number [to be] a multitude composed of units»: a counting number, a positive integer not including zero. To «measure» is to place a shorter measuring length s successively (q times) along longer length l until the remaining portion r is less than the shorter length s.^[66] In modern words, remainder r = l − q×s, q being the quotient, or remainder r is the «modulus», the integer-fractional part left over after the division.^[67]

For Euclid’s method to succeed, the starting lengths must satisfy two requirements: (i) the lengths must not be zero, AND (ii) the subtraction must be «proper»; i.e., a test must guarantee that the smaller of the two numbers is subtracted from the larger (or the two can be equal so their subtraction yields zero).

Euclid’s original proof adds a third requirement: the two lengths must not be prime to one another. Euclid stipulated this so that he could construct a reductio ad absurdum proof that the two numbers’ common measure is in fact the greatest.^[68] While Nicomachus’ algorithm is the same as Euclid’s, when the numbers are prime to one another, it yields the number «1» for their common measure. So, to be precise, the following is really Nicomachus’ algorithm.

Computer language for Euclid’s algorithm[edit]

Only a few instruction types are required to execute Euclid’s algorithm—some logical tests (conditional GOTO), unconditional GOTO, assignment (replacement), and subtraction.

• A location is symbolized by upper case letter(s), e.g. S, A, etc.
• The varying quantity (number) in a location is written in lower case letter(s) and (usually) associated with the location’s name. For example, location L at the start might contain the number l = 3009.

An inelegant program for Euclid’s algorithm[edit]

The following algorithm is framed as Knuth’s four-step version of Euclid’s and Nicomachus’, but, rather than using division to find the remainder, it uses successive subtractions of the shorter length s from the remaining length r until r is less than s. The high-level description, shown in boldface, is adapted from Knuth 1973:2–4:

INPUT:

1 [Into two locations L and S put the numbers l and s that represent the two lengths]:
INPUT L, S
2 [Initialize R: make the remaining length r equal to the starting/initial/input length l]:
R ← L

E0: [Ensure r ≥ s.]

3 [Ensure the smaller of the two numbers is in S and the larger in R]:
IF R > S THEN
the contents of L is the larger number so skip over the exchange-steps 4, 5 and 6:
GOTO step 7
ELSE
swap the contents of R and S.
4 L ← R (this first step is redundant, but is useful for later discussion).
5 R ← S
6 S ← L

E1: [Find remainder]: Until the remaining length r in R is less than the shorter length s in S, repeatedly subtract the measuring number s in S from the remaining length r in R.

7 IF S > R THEN
done measuring so
GOTO 10
ELSE
measure again,
8 R ← R − S
9 [Remainder-loop]:
GOTO 7.

E2: [Is the remainder zero?]: EITHER (i) the last measure was exact, the remainder in R is zero, and the program can halt, OR (ii) the algorithm must continue: the last measure left a remainder in R less than measuring number in S.

10 IF R = 0 THEN
done so
GOTO step 15
ELSE
CONTINUE TO step 11,

E3: [Interchange s and r]: The nut of Euclid’s algorithm. Use remainder r to measure what was previously smaller number s; L serves as a temporary location.

11 L ← R
12 R ← S
13 S ← L
14 [Repeat the measuring process]:
GOTO 7

OUTPUT:

15 [Done. S contains the greatest common divisor]:
PRINT S

DONE:

16 HALT, END, STOP.

An elegant program for Euclid’s algorithm[edit]

The following version of Euclid’s algorithm requires only six core instructions to do what thirteen are required to do by «Inelegant»; worse, «Inelegant» requires more types of instructions.^[clarify] The flowchart of «Elegant» can be found at the top of this article. In the (unstructured) Basic language, the steps are numbered, and the instruction LET [] = [] is the assignment instruction symbolized by ←.

5 REM Euclid's algorithm for greatest common divisor
6 PRINT "Type two integers greater than 0"
10 INPUT A,B
20 IF B=0 THEN GOTO 80
30 IF A > B THEN GOTO 60
40 LET B=B-A
50 GOTO 20
60 LET A=A-B
70 GOTO 20
80 PRINT A
90 END

How «Elegant» works: In place of an outer «Euclid loop», «Elegant» shifts back and forth between two «co-loops», an A > B loop that computes A ← A − B, and a B ≤ A loop that computes B ← B − A. This works because, when at last the minuend M is less than or equal to the subtrahend S (Difference = Minuend − Subtrahend), the minuend can become s (the new measuring length) and the subtrahend can become the new r (the length to be measured); in other words the «sense» of the subtraction reverses.

The following version can be used with programming languages from the C-family:

// Euclid's algorithm for greatest common divisor
int euclidAlgorithm (int A, int B) {
     A = abs(A);
     B = abs(B);
     while (B != 0) {
          while (A > B) {
               A = A-B;
          }
          B = B-A;
     }
     return A;
}

Testing the Euclid algorithms[edit]

Does an algorithm do what its author wants it to do? A few test cases usually give some confidence in the core functionality. But tests are not enough. For test cases, one source^[69] uses 3009 and 884. Knuth suggested 40902, 24140. Another interesting case is the two relatively prime numbers 14157 and 5950.

But «exceptional cases»^[70] must be identified and tested. Will «Inelegant» perform properly when R > S, S > R, R = S? Ditto for «Elegant»: B > A, A > B, A = B? (Yes to all). What happens when one number is zero, both numbers are zero? («Inelegant» computes forever in all cases; «Elegant» computes forever when A = 0.) What happens if negative numbers are entered? Fractional numbers? If the input numbers, i.e. the domain of the function computed by the algorithm/program, is to include only positive integers including zero, then the failures at zero indicate that the algorithm (and the program that instantiates it) is a partial function rather than a total function. A notable failure due to exceptions is the Ariane 5 Flight 501 rocket failure (June 4, 1996).

Proof of program correctness by use of mathematical induction: Knuth demonstrates the application of mathematical induction to an «extended» version of Euclid’s algorithm, and he proposes «a general method applicable to proving the validity of any algorithm».^[71] Tausworthe proposes that a measure of the complexity of a program be the length of its correctness proof.^[72]

Measuring and improving the Euclid algorithms[edit]

Elegance (compactness) versus goodness (speed): With only six core instructions, «Elegant» is the clear winner, compared to «Inelegant» at thirteen instructions. However, «Inelegant» is faster (it arrives at HALT in fewer steps). Algorithm analysis^[73] indicates why this is the case: «Elegant» does two conditional tests in every subtraction loop, whereas «Inelegant» only does one. As the algorithm (usually) requires many loop-throughs, on average much time is wasted doing a «B = 0?» test that is needed only after the remainder is computed.

Can the algorithms be improved?: Once the programmer judges a program «fit» and «effective»—that is, it computes the function intended by its author—then the question becomes, can it be improved?

The compactness of «Inelegant» can be improved by the elimination of five steps. But Chaitin proved that compacting an algorithm cannot be automated by a generalized algorithm;^[74] rather, it can only be done heuristically; i.e., by exhaustive search (examples to be found at Busy beaver), trial and error, cleverness, insight, application of inductive reasoning, etc. Observe that steps 4, 5 and 6 are repeated in steps 11, 12 and 13. Comparison with «Elegant» provides a hint that these steps, together with steps 2 and 3, can be eliminated. This reduces the number of core instructions from thirteen to eight, which makes it «more elegant» than «Elegant», at nine steps.

The speed of «Elegant» can be improved by moving the «B=0?» test outside of the two subtraction loops. This change calls for the addition of three instructions (B = 0?, A = 0?, GOTO). Now «Elegant» computes the example-numbers faster; whether this is always the case for any given A, B, and R, S would require a detailed analysis.

Algorithmic analysis[edit]

It is frequently important to know how much of a particular resource (such as time or storage) is theoretically required for a given algorithm. Methods have been developed for the analysis of algorithms to obtain such quantitative answers (estimates); for example, an algorithm which adds up the elements of a list of n numbers would have a time requirement of , using big O notation. At all times the algorithm only needs to remember two values: the sum of all the elements so far, and its current position in the input list. Therefore, it is said to have a space requirement of , if the space required to store the input numbers is not counted, or if it is counted.

Different algorithms may complete the same task with a different set of instructions in less or more time, space, or ‘effort’ than others. For example, a binary search algorithm (with cost ) outperforms a sequential search (cost ) when used for table lookups on sorted lists or arrays.

Formal versus empirical[edit]

The analysis, and study of algorithms is a discipline of computer science, and is often practiced abstractly without the use of a specific programming language or implementation. In this sense, algorithm analysis resembles other mathematical disciplines in that it focuses on the underlying properties of the algorithm and not on the specifics of any particular implementation. Usually pseudocode is used for analysis as it is the simplest and most general representation. However, ultimately, most algorithms are usually implemented on particular hardware/software platforms and their algorithmic efficiency is eventually put to the test using real code. For the solution of a «one off» problem, the efficiency of a particular algorithm may not have significant consequences (unless n is extremely large) but for algorithms designed for fast interactive, commercial or long life scientific usage it may be critical. Scaling from small n to large n frequently exposes inefficient algorithms that are otherwise benign.

Empirical testing is useful because it may uncover unexpected interactions that affect performance. Benchmarks may be used to compare before/after potential improvements to an algorithm after program optimization.
Empirical tests cannot replace formal analysis, though, and are not trivial to perform in a fair manner.^[75]

Execution efficiency[edit]

To illustrate the potential improvements possible even in well-established algorithms, a recent significant innovation, relating to FFT algorithms (used heavily in the field of image processing), can decrease processing time up to 1,000 times for applications like medical imaging.^[76] In general, speed improvements depend on special properties of the problem, which are very common in practical applications.^[77] Speedups of this magnitude enable computing devices that make extensive use of image processing (like digital cameras and medical equipment) to consume less power.

Classification[edit]

There are various ways to classify algorithms, each with its own merits.

By implementation[edit]

One way to classify algorithms is by implementation means.

int gcd(int A, int B) {
    if (B == 0)
        return A;
    else if (A > B)
        return gcd(A-B,B);
    else
        return gcd(A,B-A);
}

Recursion

A recursive algorithm is one that invokes (makes reference to) itself repeatedly until a certain condition (also known as termination condition) matches, which is a method common to functional programming. Iterative algorithms use repetitive constructs like loops and sometimes additional data structures like stacks to solve the given problems. Some problems are naturally suited for one implementation or the other. For example, towers of Hanoi is well understood using recursive implementation. Every recursive version has an equivalent (but possibly more or less complex) iterative version, and vice versa.

Serial, parallel or distributed

Algorithms are usually discussed with the assumption that computers execute one instruction of an algorithm at a time. Those computers are sometimes called serial computers. An algorithm designed for such an environment is called a serial algorithm, as opposed to parallel algorithms or distributed algorithms. Parallel algorithms are algorithms that take advantage of computer architectures where multiple processors can work on a problem at the same time. Distributed algorithms are algorithms that use multiple machines connected with a computer network. Parallel and distributed algorithms divide the problem into more symmetrical or asymmetrical subproblems and collect the results back together. For example, a CPU would be an example of a parallel algorithm. The resource consumption in such algorithms is not only processor cycles on each processor but also the communication overhead between the processors. Some sorting algorithms can be parallelized efficiently, but their communication overhead is expensive. Iterative algorithms are generally parallelizable, but some problems have no parallel algorithms and are called inherently serial problems.

Deterministic or non-deterministic

Deterministic algorithms solve the problem with exact decision at every step of the algorithm whereas non-deterministic algorithms solve problems via guessing although typical guesses are made more accurate through the use of heuristics.

Exact or approximate

While many algorithms reach an exact solution, approximation algorithms seek an approximation that is closer to the true solution. The approximation can be reached by either using a deterministic or a random strategy. Such algorithms have practical value for many hard problems. One of the examples of an approximate algorithm is the Knapsack problem, where there is a set of given items. Its goal is to pack the knapsack to get the maximum total value. Each item has some weight and some value. Total weight that can be carried is no more than some fixed number X. So, the solution must consider weights of items as well as their value.^[78]

Quantum algorithm

They run on a realistic model of quantum computation. The term is usually used for those algorithms which seem inherently quantum, or use some essential feature of Quantum computing such as quantum superposition or quantum entanglement.

By design paradigm[edit]

Another way of classifying algorithms is by their design methodology or paradigm. There is a certain number of paradigms, each different from the other. Furthermore, each of these categories includes many different types of algorithms. Some common paradigms are:

Brute-force or exhaustive search

Brute force is a method of problem-solving that involves systematically trying every possible option until the optimal solution is found. This approach can be very time consuming, as it requires going through every possible combination of variables. However, it is often used when other methods are not available or too complex. Brute force can be used to solve a variety of problems, including finding the shortest path between two points and cracking passwords.

Divide and conquer

A divide-and-conquer algorithm repeatedly reduces an instance of a problem to one or more smaller instances of the same problem (usually recursively) until the instances are small enough to solve easily. One such example of divide and conquer is merge sorting. Sorting can be done on each segment of data after dividing data into segments and sorting of entire data can be obtained in the conquer phase by merging the segments. A simpler variant of divide and conquer is called a decrease-and-conquer algorithm, which solves an identical subproblem and uses the solution of this subproblem to solve the bigger problem. Divide and conquer divides the problem into multiple subproblems and so the conquer stage is more complex than decrease and conquer algorithms. An example of a decrease and conquer algorithm is the binary search algorithm.

Search and enumeration

Many problems (such as playing chess) can be modeled as problems on graphs. A graph exploration algorithm specifies rules for moving around a graph and is useful for such problems. This category also includes search algorithms, branch and bound enumeration and backtracking.

Randomized algorithm

Such algorithms make some choices randomly (or pseudo-randomly). They can be very useful in finding approximate solutions for problems where finding exact solutions can be impractical (see heuristic method below). For some of these problems, it is known that the fastest approximations must involve some randomness.^[79] Whether randomized algorithms with polynomial time complexity can be the fastest algorithms for some problems is an open question known as the P versus NP problem. There are two large classes of such algorithms:

1. Monte Carlo algorithms return a correct answer with high-probability. E.g. RP is the subclass of these that run in polynomial time.
2. Las Vegas algorithms always return the correct answer, but their running time is only probabilistically bound, e.g. ZPP.

Reduction of complexity

This technique involves solving a difficult problem by transforming it into a better-known problem for which we have (hopefully) asymptotically optimal algorithms. The goal is to find a reducing algorithm whose complexity is not dominated by the resulting reduced algorithm’s. For example, one selection algorithm for finding the median in an unsorted list involves first sorting the list (the expensive portion) and then pulling out the middle element in the sorted list (the cheap portion). This technique is also known as transform and conquer.

Back tracking

In this approach, multiple solutions are built incrementally and abandoned when it is determined that they cannot lead to a valid full solution.

Optimization problems[edit]

For optimization problems there is a more specific classification of algorithms; an algorithm for such problems may fall into one or more of the general categories described above as well as into one of the following:

Linear programming

When searching for optimal solutions to a linear function bound to linear equality and inequality constraints, the constraints of the problem can be used directly in producing the optimal solutions. There are algorithms that can solve any problem in this category, such as the popular simplex algorithm.^[80] Problems that can be solved with linear programming include the maximum flow problem for directed graphs. If a problem additionally requires that one or more of the unknowns must be an integer then it is classified in integer programming. A linear programming algorithm can solve such a problem if it can be proved that all restrictions for integer values are superficial, i.e., the solutions satisfy these restrictions anyway. In the general case, a specialized algorithm or an algorithm that finds approximate solutions is used, depending on the difficulty of the problem.

Dynamic programming

When a problem shows optimal substructures—meaning the optimal solution to a problem can be constructed from optimal solutions to subproblems—and overlapping subproblems, meaning the same subproblems are used to solve many different problem instances, a quicker approach called dynamic programming avoids recomputing solutions that have already been computed. For example, Floyd–Warshall algorithm, the shortest path to a goal from a vertex in a weighted graph can be found by using the shortest path to the goal from all adjacent vertices. Dynamic programming and memoization go together. The main difference between dynamic programming and divide and conquer is that subproblems are more or less independent in divide and conquer, whereas subproblems overlap in dynamic programming. The difference between dynamic programming and straightforward recursion is in caching or memoization of recursive calls. When subproblems are independent and there is no repetition, memoization does not help; hence dynamic programming is not a solution for all complex problems. By using memoization or maintaining a table of subproblems already solved, dynamic programming reduces the exponential nature of many problems to polynomial complexity.

The greedy method

A greedy algorithm is similar to a dynamic programming algorithm in that it works by examining substructures, in this case not of the problem but of a given solution. Such algorithms start with some solution, which may be given or have been constructed in some way, and improve it by making small modifications. For some problems they can find the optimal solution while for others they stop at local optima, that is, at solutions that cannot be improved by the algorithm but are not optimum. The most popular use of greedy algorithms is for finding the minimal spanning tree where finding the optimal solution is possible with this method. Huffman Tree, Kruskal, Prim, Sollin are greedy algorithms that can solve this optimization problem.

The heuristic method

In optimization problems, heuristic algorithms can be used to find a solution close to the optimal solution in cases where finding the optimal solution is impractical. These algorithms work by getting closer and closer to the optimal solution as they progress. In principle, if run for an infinite amount of time, they will find the optimal solution. Their merit is that they can find a solution very close to the optimal solution in a relatively short time. Such algorithms include local search, tabu search, simulated annealing, and genetic algorithms. Some of them, like simulated annealing, are non-deterministic algorithms while others, like tabu search, are deterministic. When a bound on the error of the non-optimal solution is known, the algorithm is further categorized as an approximation algorithm.

By field of study[edit]

Every field of science has its own problems and needs efficient algorithms. Related problems in one field are often studied together. Some example classes are search algorithms, sorting algorithms, merge algorithms, numerical algorithms, graph algorithms, string algorithms, computational geometric algorithms, combinatorial algorithms, medical algorithms, machine learning, cryptography, data compression algorithms and parsing techniques.

Fields tend to overlap with each other, and algorithm advances in one field may improve those of other, sometimes completely unrelated, fields. For example, dynamic programming was invented for optimization of resource consumption in industry but is now used in solving a broad range of problems in many fields.

By complexity[edit]

Algorithms can be classified by the amount of time they need to complete compared to their input size:

• Constant time: if the time needed by the algorithm is the same, regardless of the input size. E.g. an access to an array element.
• Logarithmic time: if the time is a logarithmic function of the input size. E.g. binary search algorithm.
• Linear time: if the time is proportional to the input size. E.g. the traverse of a list.
• Polynomial time: if the time is a power of the input size. E.g. the bubble sort algorithm has quadratic time complexity.
• Exponential time: if the time is an exponential function of the input size. E.g. Brute-force search.

Some problems may have multiple algorithms of differing complexity, while other problems might have no algorithms or no known efficient algorithms. There are also mappings from some problems to other problems. Owing to this, it was found to be more suitable to classify the problems themselves instead of the algorithms into equivalence classes based on the complexity of the best possible algorithms for them.

Continuous algorithms[edit]

The adjective «continuous» when applied to the word «algorithm» can mean:

• An algorithm operating on data that represents continuous quantities, even though this data is represented by discrete approximations—such algorithms are studied in numerical analysis; or
• An algorithm in the form of a differential equation that operates continuously on the data, running on an analog computer.^[81]

Algorithm = Logic + Control[edit]

In logic programming, algorithms are viewed as having both «a logic component, which specifies the knowledge to be used in solving problems, and a control component, which determines the problem-solving strategies by means of which that knowledge is used.»^[82]

The Euclidean algorithm illustrates this view of an algorithm. ^[83][84] Here is a logic programming representation, using :- to represent «if», and the relation gcd(A, B, C) to represent the function gcd(A, B) = C:

gcd(A, A, A).
gcd(A, B, C) :- A > B, gcd(A-B, B, C).
gcd(A, B, C) :- B > A, gcd(A, B-A, C).

In the logic programming language Ciao the gcd relation can be represented directly in functional notation:

gcd(A, A) := A.
gcd(A, B) := gcd(A-B, B) :- A > B.
gcd(A, B) := gcd(A, B-A) :- B > A.

The Ciao implementation translates the functional notation into a relational representation in Prolog, extracting the embedded subtractions, A-B and B-A, as separate conditions:

gcd(A, A, A).
gcd(A, B, C) :- A > B, A' is A-B, gcd(A', B, C).
gcd(A, B, C) :- B > A, B' is B-A, gcd(A, B, C).

The resulting program has a purely logical (and «declarative») reading, as a recursive (or inductive) definition, which is independent of how the logic is used to solve problems:

The gcd of A and A is A.
The gcd of A and B is C, if A > B and A' is A-B and the gcd of A' and B is C.
The gcd of A and B is C, if B > A and B' is B-A and the gcd of A and B' is C.

Different problem-solving strategies turn the logic into different algorithms. In theory, given a pair of integers A and B, forward (or «bottom-up») reasoning could be used to generate all instances of the gcd relation, terminating when the desired gcd of A and B is generated. Of course, forward reasoning is entirely useless in this case. But in other cases, such as the definition of the Fibonacci sequence^[82] and Datalog, forward reasoning can be an efficient problem solving strategy.

In contrast with the inefficiency of forward reasoning in this example, backward (or «top-down») reasoning using SLD resolution turns the logic into the Euclidean algorithm:

To find the gcd C of two given numbers A and B:
If A = B, then C = A.
If A > B, then let A' = A-B and find the gcd of A' and B, which is C.
If B > A, then let B' = B-A and find the gcd of A and B', which is C.

One of the advantages of the logic programming representation of the algorithm is that its purely logical reading makes it easier to verify that the algorithm is correct relative to the standard non-recursive definition of gcd.^[83] Here is the standard definition written in Prolog:

gcd(A, B, C) :- divides(C, A), divides(C, B),
    forall((divides(D, A), divides(D, B)), D =< C).
           
 divides(C, Number) :- 
   between(1, Number, C), 0 is Number mod C.

This definition, which is the specification of the Euclidean algorithm, is also executable in Prolog: Backward reasoning treats the specification as the brute-force algorithm that iterates through all of the integers C between 1 and A, checking whether C divides both A and B, and then for each such C iterates again through all of the integers D between 1 and A, until it finds a C such that C is greater than or equal to all of the D that also divide both A and B. Although this algorithm is hopelessly inefficient, it shows that formal specifications can often be written in logic programming form, and they can be executed by Prolog, to check that they correctly represent informal requirements.

Legal issues[edit]

Algorithms, by themselves, are not usually patentable. In the United States, a claim consisting solely of simple manipulations of abstract concepts, numbers, or signals does not constitute «processes» (USPTO 2006), and hence algorithms are not patentable (as in Gottschalk v. Benson). However practical applications of algorithms are sometimes patentable. For example, in Diamond v. Diehr, the application of a simple feedback algorithm to aid in the curing of synthetic rubber was deemed patentable. The patenting of software is highly controversial, and there are highly criticized patents involving algorithms, especially data compression algorithms, such as Unisys’ LZW patent.

Additionally, some cryptographic algorithms have export restrictions (see export of cryptography).

History: Development of the notion of «algorithm»[edit]

Ancient Near East[edit]

The earliest evidence of algorithms is found in the Babylonian mathematics of ancient Mesopotamia (modern Iraq). A Sumerian clay tablet found in Shuruppak near Baghdad and dated to c. 2500 BC described the earliest division algorithm.^[11] During the Hammurabi dynasty c. 1800 – c. 1600 BC, Babylonian clay tablets described algorithms for computing formulas.^[85] Algorithms were also used in Babylonian astronomy. Babylonian clay tablets describe and employ algorithmic procedures to compute the time and place of significant astronomical events.^[86]

Algorithms for arithmetic are also found in ancient Egyptian mathematics, dating back to the Rhind Mathematical Papyrus c. 1550 BC.^[11] Algorithms were later used in ancient Hellenistic mathematics. Two examples are the Sieve of Eratosthenes, which was described in the Introduction to Arithmetic by Nicomachus,^{[87][14]: Ch 9.2} and the Euclidean algorithm, which was first described in Euclid’s Elements (c. 300 BC).^{[14]: Ch 9.1}

Discrete and distinguishable symbols[edit]

Tally-marks: To keep track of their flocks, their sacks of grain and their money the ancients used tallying: accumulating stones or marks scratched on sticks or making discrete symbols in clay. Through the Babylonian and Egyptian use of marks and symbols, eventually Roman numerals and the abacus evolved (Dilson, p. 16–41). Tally marks appear prominently in unary numeral system arithmetic used in Turing machine and Post–Turing machine computations.

Manipulation of symbols as «place holders» for numbers: algebra[edit]

Muhammad ibn Mūsā al-Khwārizmī, a Persian mathematician, wrote the Al-jabr in the 9th century. The terms «algorism» and «algorithm» are derived from the name al-Khwārizmī, while the term «algebra» is derived from the book Al-jabr. In Europe, the word «algorithm» was originally used to refer to the sets of rules and techniques used by Al-Khwarizmi to solve algebraic equations, before later being generalized to refer to any set of rules or techniques.^[88] This eventually culminated in Leibniz’s notion of the calculus ratiocinator (c. 1680):

A good century and a half ahead of his time, Leibniz proposed an algebra of logic, an algebra that would specify the rules for manipulating logical concepts in the manner that ordinary algebra specifies the rules for manipulating numbers.^[89]

Cryptographic algorithms[edit]

The first cryptographic algorithm for deciphering encrypted code was developed by Al-Kindi, a 9th-century Arab mathematician, in A Manuscript On Deciphering Cryptographic Messages. He gave the first description of cryptanalysis by frequency analysis, the earliest codebreaking algorithm.^[15]

Mechanical contrivances with discrete states[edit]

The clock: Bolter credits the invention of the weight-driven clock as «The key invention [of Europe in the Middle Ages]», in particular, the verge escapement^[90] that provides us with the tick and tock of a mechanical clock. «The accurate automatic machine»^[91] led immediately to «mechanical automata» beginning in the 13th century and finally to «computational machines»—the difference engine and analytical engines of Charles Babbage and Countess Ada Lovelace, mid-19th century.^[92] Lovelace is credited with the first creation of an algorithm intended for processing on a computer—Babbage’s analytical engine, the first device considered a real Turing-complete computer instead of just a calculator—and is sometimes called «history’s first programmer» as a result, though a full implementation of Babbage’s second device would not be realized until decades after her lifetime.

Logical machines 1870 – Stanley Jevons’ «logical abacus» and «logical machine»: The technical problem was to reduce Boolean equations when presented in a form similar to what is now known as Karnaugh maps. Jevons (1880) describes first a simple «abacus» of «slips of wood furnished with pins, contrived so that any part or class of the [logical] combinations can be picked out mechanically … More recently, however, I have reduced the system to a completely mechanical form, and have thus embodied the whole of the indirect process of inference in what may be called a Logical Machine» His machine came equipped with «certain moveable wooden rods» and «at the foot are 21 keys like those of a piano [etc.] …». With this machine he could analyze a «syllogism or any other simple logical argument».^[93]

This machine he displayed in 1870 before the Fellows of the Royal Society.^[94] Another logician John Venn, however, in his 1881 Symbolic Logic, turned a jaundiced eye to this effort: «I have no high estimate myself of the interest or importance of what are sometimes called logical machines … it does not seem to me that any contrivances at present known or likely to be discovered really deserve the name of logical machines»; see more at Algorithm characterizations. But not to be outdone he too presented «a plan somewhat analogous, I apprehend, to Prof. Jevon’s abacus … [And] [a]gain, corresponding to Prof. Jevons’s logical machine, the following contrivance may be described. I prefer to call it merely a logical-diagram machine … but I suppose that it could do very completely all that can be rationally expected of any logical machine».^[95]

Jacquard loom, Hollerith punch cards, telegraphy and telephony – the electromechanical relay: Bell and Newell (1971) indicate that the Jacquard loom (1801), precursor to Hollerith cards (punch cards, 1887), and «telephone switching technologies» were the roots of a tree leading to the development of the first computers.^[96] By the mid-19th century the telegraph, the precursor of the telephone, was in use throughout the world, its discrete and distinguishable encoding of letters as «dots and dashes» a common sound. By the late 19th century the ticker tape (c. 1870s) was in use, as was the use of Hollerith cards in the 1890 U.S. census. Then came the teleprinter (c. 1910) with its punched-paper use of Baudot code on tape.

Telephone-switching networks of electromechanical relays (invented 1835) was behind the work of George Stibitz (1937), the inventor of the digital adding device. As he worked in Bell Laboratories, he observed the «burdensome’ use of mechanical calculators with gears. «He went home one evening in 1937 intending to test his idea… When the tinkering was over, Stibitz had constructed a binary adding device».^[97]

The mathematician Martin Davis observes the particular importance of the electromechanical relay (with its two «binary states» open and closed):

It was only with the development, beginning in the 1930s, of electromechanical calculators using electrical relays, that machines were built having the scope Babbage had envisioned.»^[98]

Mathematics during the 19th century up to the mid-20th century[edit]

Symbols and rules: In rapid succession, the mathematics of George Boole (1847, 1854), Gottlob Frege (1879), and Giuseppe Peano (1888–1889) reduced arithmetic to a sequence of symbols manipulated by rules. Peano’s The principles of arithmetic, presented by a new method (1888) was «the first attempt at an axiomatization of mathematics in a symbolic language».^[99]

But Heijenoort gives Frege (1879) this kudos: Frege’s is «perhaps the most important single work ever written in logic. … in which we see a «‘formula language’, that is a lingua characterica, a language written with special symbols, «for pure thought», that is, free from rhetorical embellishments … constructed from specific symbols that are manipulated according to definite rules».^[100] The work of Frege was further simplified and amplified by Alfred North Whitehead and Bertrand Russell in their Principia Mathematica (1910–1913).

The paradoxes: At the same time a number of disturbing paradoxes appeared in the literature, in particular, the Burali-Forti paradox (1897), the Russell paradox (1902–03), and the Richard Paradox.^[101] The resultant considerations led to Kurt Gödel’s paper (1931)—he specifically cites the paradox of the liar—that completely reduces rules of recursion to numbers.

Effective calculability: In an effort to solve the Entscheidungsproblem defined precisely by Hilbert in 1928, mathematicians first set about to define what was meant by an «effective method» or «effective calculation» or «effective calculability» (i.e., a calculation that would succeed). In rapid succession the following appeared: Alonzo Church, Stephen Kleene and J.B. Rosser’s λ-calculus^[102] a finely honed definition of «general recursion» from the work of Gödel acting on suggestions of Jacques Herbrand (cf. Gödel’s Princeton lectures of 1934) and subsequent simplifications by Kleene.^[103] Church’s proof^[104] that the Entscheidungsproblem was unsolvable, Emil Post’s definition of effective calculability as a worker mindlessly following a list of instructions to move left or right through a sequence of rooms and while there either mark or erase a paper or observe the paper and make a yes-no decision about the next instruction.^[105] Alan Turing’s proof of that the Entscheidungsproblem was unsolvable by use of his «a- [automatic-] machine»^[106]—in effect almost identical to Post’s «formulation», J. Barkley Rosser’s definition of «effective method» in terms of «a machine».^[107] Kleene’s proposal of a precursor to «Church thesis» that he called «Thesis I»,^[108] and a few years later Kleene’s renaming his Thesis «Church’s Thesis»^[109] and proposing «Turing’s Thesis».^[110]

Emil Post (1936) and Alan Turing (1936–37, 1939)[edit]

Emil Post (1936) described the actions of a «computer» (human being) as follows:

«…two concepts are involved: that of a symbol space in which the work leading from problem to answer is to be carried out, and a fixed unalterable set of directions.

His symbol space would be

«a two-way infinite sequence of spaces or boxes … The problem solver or worker is to move and work in this symbol space, being capable of being in, and operating in but one box at a time. … a box is to admit of but two possible conditions, i.e., being empty or unmarked, and having a single mark in it, say a vertical stroke.

«One box is to be singled out and called the starting point. … a specific problem is to be given in symbolic form by a finite number of boxes [i.e., INPUT] being marked with a stroke. Likewise, the answer [i.e., OUTPUT] is to be given in symbolic form by such a configuration of marked boxes…

«A set of directions applicable to a general problem sets up a deterministic process when applied to each specific problem. This process terminates only when it comes to the direction of type (C ) [i.e., STOP]».^[111] See more at Post–Turing machine

Alan Turing’s work^[112] preceded that of Stibitz (1937); it is unknown whether Stibitz knew of the work of Turing. Turing’s biographer believed that Turing’s use of a typewriter-like model derived from a youthful interest: «Alan had dreamt of inventing typewriters as a boy; Mrs. Turing had a typewriter, and he could well have begun by asking himself what was meant by calling a typewriter ‘mechanical‘«.^[113] Given the prevalence at the time of Morse code, telegraphy, ticker tape machines, and teletypewriters, it is quite possible that all were influences on Turing during his youth.

Turing—his model of computation is now called a Turing machine—begins, as did Post, with an analysis of a human computer that he whittles down to a simple set of basic motions and «states of mind». But he continues a step further and creates a machine as a model of computation of numbers.^[114]

«Computing is normally done by writing certain symbols on paper. We may suppose this paper is divided into squares like a child’s arithmetic book…I assume then that the computation is carried out on one-dimensional paper, i.e., on a tape divided into squares. I shall also suppose that the number of symbols which may be printed is finite…

«The behavior of the computer at any moment is determined by the symbols which he is observing, and his «state of mind» at that moment. We may suppose that there is a bound B to the number of symbols or squares that the computer can observe at one moment. If he wishes to observe more, he must use successive observations. We will also suppose that the number of states of mind which need be taken into account is finite…

«Let us imagine that the operations performed by the computer to be split up into ‘simple operations’ which are so elementary that it is not easy to imagine them further divided.»^[115]

Turing’s reduction yields the following:

«The simple operations must therefore include:

«(a) Changes of the symbol on one of the observed squares

«(b) Changes of one of the squares observed to another square within L squares of one of the previously observed squares.

«It may be that some of these change necessarily invoke a change of state of mind. The most general single operation must, therefore, be taken to be one of the following:

«(A) A possible change (a) of symbol together with a possible change of state of mind.

«(B) A possible change (b) of observed squares, together with a possible change of state of mind»

«We may now construct a machine to do the work of this computer.»^[115]

A few years later, Turing expanded his analysis (thesis, definition) with this forceful expression of it:

«A function is said to be «effectively calculable» if its values can be found by some purely mechanical process. Though it is fairly easy to get an intuitive grasp of this idea, it is nevertheless desirable to have some more definite, mathematical expressible definition … [he discusses the history of the definition pretty much as presented above with respect to Gödel, Herbrand, Kleene, Church, Turing, and Post] … We may take this statement literally, understanding by a purely mechanical process one which could be carried out by a machine. It is possible to give a mathematical description, in a certain normal form, of the structures of these machines. The development of these ideas leads to the author’s definition of a computable function, and to an identification of computability † with effective calculability…

«† We shall use the expression «computable function» to mean a function calculable by a machine, and we let «effectively calculable» refer to the intuitive idea without particular identification with any one of these definitions».^[116]

J. B. Rosser (1939) and S. C. Kleene (1943)[edit]

J. Barkley Rosser defined an «effective [mathematical] method» in the following manner (italicization added):

«‘Effective method’ is used here in the rather special sense of a method each step of which is precisely determined and which is certain to produce the answer in a finite number of steps. With this special meaning, three different precise definitions have been given to date. [his footnote #5; see discussion immediately below]. The simplest of these to state (due to Post and Turing) says essentially that an effective method of solving certain sets of problems exists if one can build a machine which will then solve any problem of the set with no human intervention beyond inserting the question and (later) reading the answer. All three definitions are equivalent, so it doesn’t matter which one is used. Moreover, the fact that all three are equivalent is a very strong argument for the correctness of any one.» (Rosser 1939:225–226)

Rosser’s footnote No. 5 references the work of (1) Church and Kleene and their definition of λ-definability, in particular, Church’s use of it in his An Unsolvable Problem of Elementary Number Theory (1936); (2) Herbrand and Gödel and their use of recursion, in particular, Gödel’s use in his famous paper On Formally Undecidable Propositions of Principia Mathematica and Related Systems I (1931); and (3) Post (1936) and Turing (1936–37) in their mechanism-models of computation.

Stephen C. Kleene defined as his now-famous «Thesis I» known as the Church–Turing thesis. But he did this in the following context (boldface in original):

«12. Algorithmic theories… In setting up a complete algorithmic theory, what we do is to describe a procedure, performable for each set of values of the independent variables, which procedure necessarily terminates and in such manner that from the outcome we can read a definite answer, «yes» or «no,» to the question, «is the predicate value true?»» (Kleene 1943:273)

History after 1950[edit]

A number of efforts have been directed toward further refinement of the definition of «algorithm», and activity is on-going because of issues surrounding, in particular, foundations of mathematics (especially the Church–Turing thesis) and philosophy of mind (especially arguments about artificial intelligence). For more, see Algorithm characterizations.

See also[edit]

Notes[edit]

Bibliography[edit]

• Zaslavsky, C. (1970). Mathematics of the Yoruba People and of Their Neighbors in Southern Nigeria. The Two-Year College Mathematics Journal, 1(2), 76–99. https://doi.org/10.2307/3027363

Further reading[edit]

External links[edit]

• «Algorithm». Encyclopedia of Mathematics. EMS Press. 2001 [1994].
• Algorithms at Curlie
• Weisstein, Eric W. «Algorithm». MathWorld.
• Dictionary of Algorithms and Data Structures – National Institute of Standards and Technology

Algorithm repositories

• The Stony Brook Algorithm Repository – State University of New York at Stony Brook
• Collected Algorithms of the ACM – Associations for Computing Machinery
• The Stanford GraphBase – Stanford University