刘汝佳-算法分析初步【信息技术】.pptVIP

算法分析初步 清华大学 刘汝佳 基本概念 算法 数据结构 程序 = 算法 + 数据结构 分析 程序分析 算法分析 问题分析 算法分析 先写程序，直接观察结果 同一算法，程序不同，运行时间不同 写代码太费事，如果写出来才发现很慢… 不写程序，直接分析算法 不写程序，怎么知道运行时间？ 用“基本操作”数来衡量 表达式很复杂怎么办？ 渐进表示 代码分析的例子 fact := 1; for i: =1 to n do fact := fact * i; 一次乘法为一个基本操作 忽略i改变的时间 共f(n) = n次基本操作 时间复杂度为n 代码分析的例子(2) sum := 0; for i :=1 to n do for j:=1 to n do sum := sum + a[i,j]; 基本操作：加法，乘法 忽略循环变量i和j的改变时间 共n2次基本操作 时间复杂度为n2 一个更复杂的例子 sum := 0; for i := 1 to n do begin fact := 1; for j := 1 to i do fact := fact * i; sum := sum + fact; end 第i次循环执行了i个操作 总时间复杂度为1+2+3+…+n = n(n+1)/2 如果式子再长一点，怎么办？ 比较两个算法 算法一执行了f(n)=n2次基本操作 算法二执行了g(n)=n2/2次基本操作 那个算法好呢？ 算法二好，因为g(n) f(n) 增长情况呢？ n扩大10倍，f(n)扩大100倍，g(n)也扩大100倍 两个算法的增长情况一样！ 渐进时间复杂度一样！ 渐进时间复杂度 f(n)=n2和g(n)=n2/2 增长情况一样 如何表示“增长情况”？ 把f(n)和g(n)变成“渐进”形式，然后直接比较 如何变成“渐进”形式？ 只保留最“大”项 忽略系数 例1：3n4+8n2+n+2 ? n4 例2：2n+1+n100+5 ? 2n (为什么n+1变成了n？) 复杂度分析不是万能的 回忆刚才的变换方法 变换前后的增长情况一致 需要先写出完整的式子 至少知道最大项 可是很多情况下无法知道最大项… 不信？ 一个数n，如果它是奇数则变换到3n+1，否则变换到n/2 给一个数n，不停的变换下去，经过几步变成1？ 你知道它的运行时间吗?! 反正我不知道，这是个著名的停机问题 复杂度分析不是万能的！ 复杂度分析不清楚怎么办 只分析上限，而不管实际运行时间 若n充分大时|f(n)|=c|g(n)|，其中c为某常数 记f(n) = O(g(n))，表示g(n)为f(n)的渐进上限 例1：5n2+3n+1 = O(n2) 例2：2n3 = O(7n8) 由于上限有无限多个，我们希望它尽量精确 否则我们的分析就过于悲观了，实际算法没那么糟糕 类似的，可以定义下限Ω 如果上下限相等，那么增长情况就完全一样了 记做Θ 复杂度的等级 多项式算法 O(nt)，t是常数 O(logtn), t是常数 O(loglogn), 奇怪吗？后面会遇到一个 两个多项式时间复杂度的积仍是多项式的 排个序吧 O(1) O(loglogn) O(logn) O(n1/2) O(n) O(n) O(nloglogn) O(nlogn) O(n2) O(n2) O(n3) O(2n) O(n!) O(nn) 不同情况的时间开销 输入规模决定运行时间吗？ for i := 1 to n do read(a[i]); for i := 1 to n-1 do if a[i] a[i+1] then do_it; 假设do_it操作为一次基本操作，忽略其他 如果输入是从小大到排序好的，则操作数为0 如果输入是从大到小排序好的，则操作数为n-1 即使规模(n)相同，不同的输入导致不同的运行时间！ 一道题目 给一串整数a[1…n]，求出它和最大的子序列，即找出1=i=j=n，使a[i]+a[i+1]+…+a[j]最大 介绍四个算法并分析时间复杂度 枚举：O(n3) 优化的枚举：O(n2) 分治：O(nlogn) 贪心：O(n) 算法一 思想：枚举所有的i和j，计算a[i]+…+a[j]，选择最大的 程序如下： max := a[1]; for i:=1 to n do for j:=i to n do begin sum := 0; for k:=i to j do sum := sum + a[k]; if sum max then max := sum; end; 时间复杂度如何分析？ 算法一分析 当i和j一定的时候，内层循环执行j-i+1次 总次数为 应