优化算法的意义，之二。

前一篇分析了求质数的两个算法，在代码执行效率和系统开销两方面进行了比较。

这在通信系统的设计和实现中，是非常重要的两点。因为需要同时面对的是巨大的用户群，和复杂的业务应用，通信系统的设计经常要面临鱼与熊掌间的选择。

用最简单和最形象的比喻，就是使用数组还是用链表结构来存储和处理数据。很多时候，硬件的资源是无法提供对数组的支持的。这时候，不得不使用链表结构的算法，而继续的优化算法也非常必要。

还是用求质数的算法来做说明。  ^_^

[1]这是最原始的算法，处理9000个用户数据，需要2600ms。面对10000个用户时，崩溃!

var stopwatch = new Date();
var PrimeArys = [2];
var count = 1;
var isss = 0;
var MaxNum = 9000;
for(var i=3 ;i<=MaxNum;i+=2)
  {
  isss = 0;
  for(var j=3;j<(i/2);j+=2)
    {
    if(i%j==0){
      isss = 1;
      break;
    }
  }
  if(isss == 0){
      {
      PrimeArys[ count++ ] = i;
      }
    }
  }
var t=new Date()-stopwatch; 
alert("本次运行了 "+t+" 毫秒。");

[2]分析前面的算法，发现只要不能被某个已知质数整除，就必然不能被该质数的倍数整除。所以，检查的因子就只限于已知的质数列表就可以了。这个算法，在处理9000个数据的时候，只开销了1593ms!

var stopwatch = new Date();
var PrimeArys = [2];
var count = 1;
var isss = 0;
var MaxNum = 9000;
for(var i=3 ;i<=MaxNum;i+=2)
  {
  isss = 0;
  for(var j=0;j<count;j++)
    {
    if(i%PrimeArys[j]==0){
      isss = 1;
      break;
    }
  }
  if(isss == 0){
      {
      PrimeArys[ count++ ] = i;
      }
    }
  }
var t=new Date()-stopwatch; 
alert("本次运行了 "+t+" 毫秒。");

[3]继续分析下去，没有一个数字是可以被超过自己一半的数字整除的，所以，继续优化，这样处理9000个用户只开销了1312ms。算法的优化到此，已经可以支持15000个用户了，这比起原始算法只支持9000，是一个巨大的提升!

var stopwatch = new Date();
var PrimeArys = [2];
var count = 1;
var isss = 0;
var MaxNum = 15000;
for(var i=3 ;i<=MaxNum;i+=2)
  {
  isss = 0;
  for(var j=0;j<count;j++)
    {
    if(i%PrimeArys[j]==0){
      isss = 1;
      break;
    }
  }
  if(isss == 0){
      {
      PrimeArys[ count++ ] = i;
      }
    }
  }
var t=new Date()-stopwatch; 
alert("本次运行了 "+t+" 毫秒。");

如上可见，在面对真实的应用场景时，合理的算法实现的重大意义。