一、枚举法解决问题:
Q:a+b+c=1000,且a^2+b^2=c^2(a,b,c为自然数),如何求出所有abc可能的组合?
A:a=0,b=0,c=0~1000,利用三层嵌套。具体程序如下:
import time
start_time = time.time()
for a in range(1000):
for b in range(1000):
for c in range(1000):
if a + b + c == 1000 and a**2 + b**2 == c**2:
print('a,b,c:%d,%d,%d'%(a,b,c))
end_time = time.time()
print('time:%d'%(end_time-start_time))
print('finish')
显示:
time:126
finish
上述程序所消耗时间过于长,T(n)=n^3,我们将算法进行改进:
import time
start_time = time.time()
for a in range(1000):
for b in range(1000):
c = 1000 - a - b
if a**2 + b**2 == c**2:
print('a,b,c:%d,%d,%d' % (a, b, c))
end_time = time.time()
print('time:%d'%(end_time-start_time))
print('finish')
显示:time:1
finish
T(n)=n^2*(1+1)=n^2*2 =O(n^2)
二、算法效率衡量
1、时间复杂度:如果一个问题的规模是n,解这一问题的某一算法所需要的时间为T(n),它是n的某一函数T(n)称为这一算法的“时间复杂性”。当输入量n逐渐加大时,时间复杂性的极限情形称为算法的“渐近时间复杂性”。
2、大O记法:对于单调的整数函数f,如果存在一个函数g和实常数c>0,使得对于充分大的n总有f(n)<=c*g(n),就说函数g是f的一个渐进函数,记为f(n)<=O(g(n))。也就是说,在趋向无穷的极限意义下,函数f的增长受到g的约束,亦即函数g的特征相似。T(n)=c*g(n),g(n)是T(n)的大O表示法。
3、最坏时间复杂度:算法完成工作最多需要多少基本操作。最坏时间复杂提供了一种保证,表明算法在此种成都的基本操作中一定能完成工作。一般最坏时间复杂度使我们所关注的。
4、时间复杂度的几条基本计算规则:
基本操作:即只有常数项,认为其时间复杂度为O(1)。
顺序结构:时间复杂度按加法进行计算。
循环结构:时间复杂度按乘法进行计算。
分支结构:时间复杂度取最大值。
在没有特殊情况说明时,我们所分析的算法的时间复杂度都是指最坏时间复杂度。
5、常见的时间复杂度
三、Python中数据结构的复杂度(未完待续。。。)