(a)计算
判断算法最重要的性质是——efficiecy效率
(b)计算模型
DSA(Data Structure + Algorithim)
T A ( n ) T_A(n) TA(n)=算法A求解某一问题规模为n的实例所需要的计算成本,讨论特定算法A时,简记为 T ( n ) T(n) T(n)
对于同一问题的不同规模,计算成本差距大(例如平面点最小面积三角形问题),稳妥起见,只关注最坏情况下,取
TM图灵机模型:
Tape:单元格,无现长的纸带
Alphabet:字符的种类有限
Head:总是对准某一单元格,可左转或者右转
State:总是处于有限状态中的某一种,可按照规则转向另一状态
Transition Fuction(q,c;d,L/R,p):若当前状态为q,当前字符为c,则将当前字符改写为d;左/右转动;转入状态p一旦进入特定状态h,则停机
RAM Random Access Machine(类似图灵机模型,理论上无限多的寄存器)
算法运行时间∝算法执行的基本操作次数
所以
T
(
n
)
T(n)
T(n)=算法求解规模为n的问题执行基本操作的次数
( c )大O记号
渐进分析:随着问题规模增长,计算成本如何增长,特别是关心足够大的问题
下考虑
需要执行的基本操作次数
T
(
n
)
T(n)
T(n)
需占用的存储单元数
S
(
n
)
S(n)
S(n) //通常不考虑
大O(n)相当于T(n)的最差估计
Ω
(
n
)
Ω(n)
Ω(n)相当于T(n)的最优估计
1)常数复杂度O(1)****
如果一段代码不含转向(循环、调用、递归等),则复杂度必为O(1)
实例为:从n个数中取三个数,再取三个数中的非极端值(中间值):
T(n)=O(3){取三个数}+O(3){作三次比较}+O(1){去中间值}
2)对数复杂度O(
l
o
g
c
n
log^cn
logcn)
实例为:二进制数数位1的统计
T(n)=O(1+[
l
o
g
2
n
log_2{n}
log2n])=O(
l
o
g
2
n
log_2{n}
log2n)=O(
l
o
g
n
log{n}
logn)
3)线性复杂度O(n)
实例:求n个数的和
T(n)=O(1)+O(1)×n=O(n)
4)指数复杂度O(
a
n
a^n
an)
实例:在禁止超过一位的情况下,计算
2
n
2^n
2n
在输入指数n的二进制数 r=1+[
l
o
g
2
n
log_2{n}
log2n]作为输入规模,则T(n)=O(
2
r
2^r
2r)
从O(
n
c
n^c
nc)到O(
2
n
2^n
2n)是有效算法到无效算法的分水岭
指数复杂度O(
2
n
2^n
2n)实例:2-Subset问题(美国大选得票问题)
增长速度