【数据结构（青岛大学王卓）】第1章绪论学习笔记（六）1.4 算法和算法分析3、1.4 算法和算法分析4

最新推荐文章于 2022-05-29 13:15:42 发布

wyatt007

最新推荐文章于 2022-05-29 13:15:42 发布

阅读量842

点赞数 3

分类专栏：数据结构

本文链接：https://blog.csdn.net/wyatt007/article/details/106303241

版权

数据结构专栏收录该内容

23 篇文章 25 订阅

订阅专栏

1.4 算法和算法分析3

1、算法的渐进时间复杂度

若有某个辅助函数 $f(n)$ ，使得当n趋近于无穷大时， $\frac{T(n)}{f(n)}$ 的极限值为不等于零的常数，则称 $f(n)$ 是 $T(n)$ 的同数量级函数。记作 $T(n)=O(f(n))$ ，称 $O(f(n))$ 为算法的渐进时间复杂度（O是数量级的符号），简称时间复杂度。

一般情况下，不必计算所有操作的执行次数，而只考虑算法中基本操作执行的次数，它是问题规模n的某个函数，用 $T(n)$ 表示。

定理1.1：若 $f(n)=a_{m}n^{m}+a_{m-1}n^{m-1}+...+a_{1}n+a_{0}$ 是m次多项式，则 $T(n)=O(n^{m})$ 。

备注：忽略所有低次幂项和最高次幂系数，体现出增长率的含义。

2、分析算法时间复杂度的基本方法

①找出语句频度最大的那条语句作为基本语句。

②计算基本语句的频度的得到问题规模n的某个函数 $f(n)$ 。

③取其数量级用符号“O”表示。

3、例子

（1）例1

//例1
x = 0;
y = 0;
for(int k = 0; k < n; k++){
	x++;
}
for(int i = 0; i < n; i++){
	for(int j = 0; j < n; j++){
		y++;
	}
}

$f(n)=n(n+1)$ ， $T(n)=O(n^{2})$ 。

（2）例2

//例2
void exam(float x[][], int m, int n){
	float sum[];
	for(int i = 0; i < m; i++){
		sum[i] = 0.0;
		for(int j = 0; j < n; j++){
			sum[i] += x[i][j];//嵌套最深层语句
		}
	}
	for(i = 0; i < m; i++){
		cout << i << ":" << sum[i] << endl;
	}
}

时间复杂度是由嵌套最深层语句的频度决定的。

$f(n)=m*n$ ， $T(n)=O(m*n)$ 。

4、算法时间复杂度分析例题

（1）例1

//例1：N*N矩阵相乘 
for(i = 1; i <= n; i++){
	for(j = 1; j <= n; j++){
		c[i][j] = 0;
		for(k = 1; k <= n; k++){ 
			c[i][j] = c[i][j] + a[i][k] * b[k][j];
		}
	}
}

算法中的基本操作语句为：

c[i][j] = c[i][j] + a[i][k] * b[k][j];

$T(n)=\sum_{i=1}^{n}\sum_{j=1}^{n}\sum_{k=1}^{n}1=\sum_{i=1}^{n}\sum_{j=1}^{n}n=\sum_{i=1}^{n}n^{2}=n^{3}=O(n^{3})$ 。

$T(n)=O(n^{3})$ 。

（2）例2

//例2
for(i = 1; i <= n; i++){
	for(j = 1; j <= i; j++){
		for(k = 1; k <= j; k++){
			x = x + 1;
		}
	}
}

语句频度

$T(n)=\sum_{i=1}^{n}\sum_{j=1}^{i}\sum_{k=1}^{j}1=\sum_{i=1}^{n}\sum_{j=1}^{i}j=\sum_{i=1}^{n}\frac{i(i+1)}{2} =\frac{1}{2}(\sum_{i=1}^{n}i^{2}+\sum_{i=1}^{n}i)=\frac{1}{2}(\frac{n(n+1)(2n+1)}{6}+\frac{n(n+1)}{2})=\frac{n(n+1)(n+2)}{6}$ 。

$T(n)=O(n^{3})$ 。

（3）例3

//例3：分析以下程序段的时间复杂度
i = 1;//语句1
while(i <= n){
	i = i * 2;//语句2
}

关键是要找出执行次数x与i的关系，并表示成n的函数。

若循环执行1次： $i=1*2=2$ ，

若循环执行2次： $i=2*2=2^{2}$ ，

若循环执行3次： $i=2*2*2=2^{3}$ ，

……，

若循环执行x次： $i=2^{x}$ 。

设语句2执行次数为x次，有循环条件 $i\leq n$ ， $\therefore 2^{x}<=n$ ， $\therefore x\leq log_{2}n$ 。

$2^{f(n)}\leq n$ ，即 $f(n)\leq log_{2}n$ ，取最大值 $f(n)=log_{2}n$ ，所以该程序段的时间复杂度 $T(n)=O(log_{2}n)$ 。

1.4 算法和算法分析4

1、算法时间复杂度计算

备注：有的情况下，算法中基本操作重复执行的次数还随问题的输入数据集不同而不同。

【例】顺序查找，在数组a[i]中查找值等于e的元素，返回其所在位置。

//【例】顺序查找，在数组a[i]中查找值等于e的元素，返回其所在位置。
for(i = 0; i < n; i++){
	if(a[i]== e){
		return i + 1;//找到，则返回是第几个元素 
	}
	return 0; 
}

最好情况：1次；最坏情况：n；平均时间复杂度为： $O(n)$ 。

2、算法时间复杂度

最坏时间复杂度：指在最坏情况下，算法的时间复杂度。

平均时间复杂度：指在所有可能输入实例在等概率出现的情况下，算法的期望运行时间。

最好时间复杂度：指在最好情况下，算法的时间复杂度。

一般总是考虑在最坏情况下的时间复杂度，以保证算法的运行时间不会比它更长。

3、计算法则

对于复杂的算法，可以将它分成几个容易估算的部分，然后利用大O加法法则和乘法法则，计算算法的时间复杂度。

①加法法则： $T(n)=T_{1}(n)+T_{2}(n)=O(f(n))+O(g(n))=O(max(f(n),g(n)))$ 。

②乘法法则： $T(n)=T_{1}(n)\times T_{2}(n)=O(f(n))\times O(g(n))=O(f(n)\times g(n))$ 。

4、算法时间效率的比较

当n取得很大时，指数时间算法和多项式时间算法在所需时间上非常悬殊。

时间复杂度 $T(n)$ 按数量级递增顺序为：

5、渐进空间复杂度

空间复杂度：算法所需存储空间的度量，记作： $S(n)=O(f(n))$ ，其中n为问题的规模（或大小）。

算法要占据的空间：算法本身要占据的空间，输入/输出，指令，常数，变量等；算法要使用的辅助空间。

6、算法空间复杂度分析例题

【例】将一维数组a中的n个数逆序存放到原数组中。

//【例】将一维数组a中的n个数逆序存放到原数组中。
//算法1
for(i = 0; i < n / 2; i++){
	t = a[i];
	a[i] = a[n - i - 1];
	a[n - i - 1] = t;
}

//算法2
for(i = 0; i < n; i++){
	b[i] = a[n - i - 1];
}
for(i = 0; i < n; i++){
	a[i] = b[i];
}

算法1： $S(n)=O(1)$ ，原地工作；算法2： $S(n)=O(n)$ 。

7、设计好算法的过程

抽象数据类型=数据的逻辑结构+抽象运算（运算的功能描述）。算法分析→好的算法。

其中，数据的逻辑结构（数据的存储结构1（算法11……算法1m）……数据的存储结构n（算法n1……算法nm））。

wyatt007

关注

3
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
【数据结构（青岛大学王卓）】第1章绪论学习笔记（六）1.4 算法和算法分析3、1.4 算法和算法分析4

1.4 算法和算法分析21、算法分析对于同一个问题，可以有许多不同的算法。究竟如何来评价这些算法的优劣程度呢？——算法分析。算法分析的目的是看算法实际是否可行，并在同一问题存在多的算法时可进行性能上的比较，以便从中挑选出比较优的算法。2、算法效率一个好的算法首先要具备正确性，然后是健壮性，可读性，在几个方面都满足的情况下，主要考虑算法的效率，通过算法的效率高低来评判不同算法的优劣程度。算法效率以下两个方面来考虑：①时间效率：指的是算法所耗费的时间。②空间效率：指的是算法执行过
复制链接

扫一扫