立方阶时间复杂度 O(n^3) 详解

时间复杂度计算:
执行最多次的语句----->次数数量级----->复杂度结果O()

立方阶 O(n^3)计算示例

1.最基本的立方阶

    for(i=1; i<=n; i++)
        for(j=1; j<=n; j++)
            for(k=1; k<=n; k++)
                s++;

循环了 n*n*n 次,时间复杂度 O(n^3)。

2.变形立方阶

    for(i=1;i<=n;i++)
        for(j=1;j<=i;j++)
            for(k=1;k<=j;k++)
                s++;

语句s++;执行次数为:n(n+1)(n+2) / 6
时间复杂度 O(n^3)。
网上看到好多认为执行了 (12 + 22 + 32 +…+ n2)=n(n+1)(2n+1)/6 次,个人并不赞同。
下面就循环次数进行理解分析:
在这里插入图片描述
用程序验证:

#include <stdio.h>
int main()
{
    int i,j,k,s=0;
    int n=5;
    for(i=1;i<=n;i++)
        for(j=1;j<=i;j++)
            for(k=1;k<=j;k++)
                s++;
    printf("%d",s);
    return 0;
}

可以看到 n = 5 时,s的结果是35 = 5 × (5+1) × (5+2)/ 6 即 n(n+1)(n+2) / 6 ,而不是 n(n+1)(2n+1)/6 = 55 。

  • 20
    点赞
  • 35
    收藏
    觉得还不错? 一键收藏
  • 16
    评论
### 回答1: 高奇异值分解(HOSVD)的时间复杂度是比较高的,主要取决于数据张量的大小和维度数。具体地说,假设数据张量的大小为 $n_1 \times n_2 \times \cdots \times n_d$,则 HOSVD 的时间复杂度为 $O(dn^3)$,其中 $n = \max(n_1, n_2, \cdots, n_d)$。 这是因为 HOSVD 需要对每个模态进行奇异值分解,而每个奇异值分解的时间复杂度为 $O(n^3)$,因此总的时间复杂度就是 $O(dn^3)$。需要注意的是,当数据张量的维度数 $d$ 较大时,HOSVD 的时间复杂度会变得非常高,因此在实际应用中需要谨慎使用。 ### 回答2: 高奇异值分解(HOSVD)是一种对高张量进行分解的方法。在HOSVD中,将一个高张量分解为一系列低张量的乘积。HOSVD的时间复杂度取决于张量的数和每个数的维度。 假设一个高张量的数为n,每个数的维度分别为d1, d2, ..., dn,则HOSVD的时间复杂度为O(d1^3 * d2^3 * ... * dn^3)。 HOSVD的时间复杂度主要来自奇异值分解的计算。对于二维矩阵,奇异值分解的时间复杂度为O(m * n * r),其中m和n分别是矩阵的行数和列数,r是矩阵的秩。在HOSVD中,对于每个数的维度,需要对相应的矩阵进行奇异值分解,因此时间复杂度为O(d^3 * r),其中d是每个数的维度。 在高张量中,有多个数,因此需要对每个数的维度进行奇异值分解,所以时间复杂度需要乘以每个数的维度的立方。因此,HOSVD的时间复杂度为O(d1^3 * d2^3 * ... * dn^3)。 需要注意的是,HOSVD的时间复杂度是一个指数级的增长,所以对于高张量,计算的复杂度将会非常高。在实际应用中,为了减少计算量,可以通过降维或者截断奇异值的方式进行近似计算。 ### 回答3: 高奇异值分解(HOSVD)是一种用于多维张量分解的方法,它可以将一个高维张量分解为一组低秩张量的乘积形式。在进行HOSVD时,其时间复杂度可以分为两个部分。 首先是奇异值分解(SVD)的计算,该步骤通常需要对各个模态的矩阵进行SVD分解,从而得到每个模态的奇异值矩阵。假设原始张量的维度为n1 * n2 * .... * nr,那么在每个模态上进行SVD的时间复杂度为O(ni^3),其中ni表示第i个模态的维度。所以对于n个模态的张量,总的SVD时间复杂度为O(n * max(ni^3))。 其次是通过各个模态的奇异值矩阵来重构张量的时间复杂度,即计算每个模态上的低秩矩阵乘积。假设每个模态上的低秩矩阵维度为k,那么在每个模态上进行低秩矩阵乘积的时间复杂度为O(ni * k^2)。因此,总的重构时间复杂度为O(n * max(ni * k^2))。 综上所述,高奇异值分解(HOSVD)的时间复杂度为O(n * max(ni^3)) + O(n * max(ni * k^2))。其中n表示模态数量,ni表示每个模态的维度,k表示低秩矩阵的秩。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 16
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值