数据结构学习笔记
该文章中的代码非我本人所写。只是借鉴。由于很多出处的代码千篇一律,就不标明代码来源了。
一、绪论
1、c语言测试函数运行时间
clock()
:捕捉从程序开始运行到clock() 被调用时所耗费的时间。这个时间单位是clock tick,即”时钟打点“。
常数CLK_TCK
:机器时钟每秒所走的时钟打点数。
模板如下:
#include <stdio.h>
#include <time.h>
clock_t start, stop;//clock_t是clock()函数的返回值类型
double duration;//记录被测函数运行时间,单位秒
int main(){
//前面代码(省)
start = clock();
MyFunction();//这里调用需要测试的函数
stop = clock();
duration = ((double)(stop - start))/CLK_TCK;//得出时间
//输出(省)
return 0;
}
2、时间复杂度
对于常见时间复杂度的直观体验。
可以看到 logn 是增长最慢的时间复杂度,然后一般碰到 n2,可以考虑一下修改算法变成 nlogn。
复杂度分析技巧
假设两段算法的复杂度分别是 O1 和 O2。复杂度里的式子分别是n1和n2。
- 两段算法分别处理,总的复杂度 = MAX(O1, O2);
- 两段算法嵌套在一起,总的复杂度 = O(n1*n2);
- 如果复杂度里的关于n的式子是一个k阶多项式,那么只保留nk;
- for循环的时间复杂度 = 循环次数 * 循环体代码的复杂度;
- if-else的复杂度 = MAX(条件判断的复杂度,每个分支内部代码的复杂度)
3、最大子列和问题
算法1
全部子列和都遍历了一遍,时间复杂度O(n2)。
int MaxSubseqSum1(int A[], int N){
int ThisSum, MaxSum = 0;
int i, j, k;
for(i = 0; i < N; i++){//i是子列的左端位置
ThisSum = 0;
for(j = i; j < N; j++){//j是子列右端位置
ThisSum += A[j];//这里是在j-1的基础上增加的
if(ThisSum > MaxSum)
MaxSum = ThisSum;
}//j循环结束
}//i循环结束
return MaxSum;
}
算法2:分治法
每次递归过程,把当前数组分两段,左段求最大子列和,右段求最大子列和,跨界情况 = 中间往左的最大子列和 + 中间往右的最大子列和。然后三个子列和求最大。
关于该分治法的时间复杂度
看不太懂上面的推导为啥就得出O(NlogN),我在网上查找到的一种解释是:枚举的复杂度是O(N),递归的复杂度是O(logN),所以是O(NlogN)。
int Max( int A, int B, int C )
{ /* 返回3个整数中的最大值 */
return A > B ? A > C ? A : C : B > C ? B : C;
}
int DivideAndConquer( int List[], int left, int right )
{ /* 分治法求List[left]到List[right]的最大子列和 */
int MaxLeftSum, MaxRightSum; /* 存放左右子问题的解 */
int MaxLeftBorderSum, MaxRightBorderSum; /*存放跨分界线的结果*/
int LeftBorderSum, RightBorderSum;
int center, i;
if( left == right ) { /* 递归的终止条件,子列只有1个数字 */
if( List[left] > 0 ) return List[left];
else return 0;
}
/* 下面是"分"的过程 */
center = ( left + right ) / 2; /* 找到中分点 */
/* 递归求得两边子列的最大和 */
MaxLeftSum = DivideAndConquer( List, left, center );
MaxRightSum = DivideAndConquer( List, center+1, right );
/* 下面求跨分界线的最大子列和 */
MaxLeftBorderSum = 0; LeftBorderSum = 0;
for( i=center; i>=left; i-- ) { /* 从中线向左扫描 */
LeftBorderSum += List[i];
if( LeftBorderSum > MaxLeftBorderSum )
MaxLeftBorderSum = LeftBorderSum;
} /* 左边扫描结束 */
MaxRightBorderSum = 0; RightBorderSum = 0;
for( i=center+1; i<=right; i++ ) { /* 从中线向右扫描 */
RightBorderSum += List[i];
if( RightBorderSum > MaxRightBorderSum )
MaxRightBorderSum = RightBorderSum;
} /* 右边扫描结束 */
/* 下面返回"治"的结果 */
return Max( MaxLeftSum, MaxRightSum, MaxLeftBorderSum + MaxRightBorderSum );
}
int MaxSubseqSum2( int List[], int N )
{ //方便调用
return DivideAndConquer( List, 0, N-1 );
}
算法3:在线处理
该算法只是刚好针对这个问题。时间复杂度为O(n)。
int MaxSubseqSum3(int A[], int N){
int ThisSum, MaxSum;
int i;
ThisSum = 0;
MaxSum = 0;
for(i = 0; i < N; i++){
ThisSum += A[j];
if(ThisSum > MaxSum)//正的情况,巧妙地把劣种排除了
MaxSum = ThisSum;
else if(ThisSum < 0) //如果当前子列和为负
ThisSum = 0; //说明加上后面的数,只会变小,所以抛弃。
}
}//i循环结束
return MaxSum;
}
显然(记录前一轮,再此基础上计算)的算法,会比回回重新计算来得高效。