2.算法分析基础 时间复杂度判定等 含习题

算法分析基础

1. 效率的定义

• 当实现一个算法时，如果在真实的案例上，他能运行的更快，那么就是有效的
• 如果一个算法与蛮力搜索相比，在最坏情况下达到质量上更好的性能，则是有效的
• 如果一个算法有多项式运行时间，他就是有效的

之所以对效率给出这样详细的定义，是为了表达：对于某些问题不存在有效的算法

2. O、$\Theta$ 和 $\Omega$

上界：如果对于函数T(n)，有充分大的n，函数T(n)小于f(n)的某个常数倍，则T(n)=O(f(n))，此时我们说f是T的渐进上界

下界：如果对于函数T(n)，有充分大的n，函数T(n)大于f(n)的某个常数倍，则T(n)=$\Omega$(f(n))，此时我们说f是T的渐进下界

渐进的紧的界：如果lim f(n)/g(n)=c>0 那么f(n)=$\Theta$(g(n))，此时也可以说g(n)即是f(n)的上界，也是其下界

3. 性质

1. 传递性：这三个符号都具有传递性，例如：

    > If f=O(g) and g=O(h) then f=O(h)
   

2. 函数的和：如果函数的上界对k个函数都适用，则对这k个函数的和也适用

   if f=O(h) and g=O(h) then f+g=O(h)

3. 如果 g=O(f) then f+g=$\Theta$ (f)

   proof: 首先很容易由 f+g≥f 得到 f+g=$\Omega$(f)

   ​ 已知g=O(f) 且易知f=O(f)，根据第二条性质 f+g=O(f)

   ​ 由此，f+g=$\Theta$ (f)

4. 某些常见函数的渐进界

1. 多项式函数

   通常直接取最高次项即可： 2n²+13n+8=O(n²)

2. 对数函数

   对于对数函数通常不写底数，原因是通过换底公式很容易可以得到

   log_an=1/log_ba · log_bn

   我们可以很容易更换函数的底，而前面的常数项无关紧要，所以我们通常省略函数的底

5. 例题

5.1 一些比较复杂的函数排列

1. 可以使用取对数的方式进行比较
2. 注意归类，归为多项式，对数和指数函数不同类别分别进行比较

5.2 判断题

已知 f(n)=O(g(n))

判断对错

• log₂f(n)=O(log₂g(n))
• 2^f(n)=O(2^g(n))
• f(n)²=O(g(n)²)

做这种题目的时候，应该写出算法带入计算，不能想当然的理解

解题思路：已知 f(n)≤c·g(n)

那么有 f(n)²=c²g(n)² 故第三条正确

而另外两条都不能满足这样的式子，对于第一条，当f=2，g=1时不满足条件，对于第二条当f=4n，g=2n时不满足条件

5.3 瓶子摔碎高度问题

假设你需要知道在第几节阶梯上可以摔碎一个瓶子，如果你采用从第一级开始往上一节节的实验的方式，你的复杂度是O(n)且只需要一个瓶子，如果使用二分法进行查找，则复杂度是O（logn）但是存在的问题是会消耗更多的瓶子。

那么假设只给你2个瓶子，你有没有办法用小于O（n）的时间找到瓶子摔碎的临界高度呢？

​ 解决方案：把台阶分成n^1/2个区间，则每个区间的长度为n^1/2，让第一个瓶子分别在n^1/2，2n^1/2，3n^1/2……的高度下进行实验直至瓶子 摔碎为止，假设瓶子在m*n^1/2的高度摔碎，则用第二个瓶子在（m-1）n^1/2到mn^1/2的高度区间里一级一级的进行实验，这次实验也最多 只需要进行n^1/2次。将两次实验所需要的时间加和在一起，总共所需要的时间为2n^1/2。满足题目要求

那么如果给你k>2个瓶子，你能否设计出一个算法，使得瓶子越多，则时间复杂度越低呢？

​ 解决方案：其实方法和上一题类似，第一次将阶梯分为n^1/k个区间，则每个区间的长度为n^k-1/k，让第一个瓶子在这n^1/k个区间里进行实 验，当确定为某个区间之后，再把这个确定的区间分成n^1/k个区间，让第二个瓶子在这些区间里进行实验……直到最后选定的高度就为 n^1/k的区间为止，对于这k个瓶子，每个瓶子的最坏复杂度都是n^1/k，则复杂度就为kn^1/k。满足条件。