chapter1算法及其复杂性.pptVIP

* 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) 一共有m＋n个元素，最后两个元素放入排序队列时只需要一次比较，因此，总的比较次数为m+n-1次 * 在排序时将元素赋值到临时数组为n，然后从临时数组将排好序的数组赋值回A为n，所以总的赋值次数为2n。 * * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) 元素最小比较次数：Merge都为n/2，n/2*1+n/22*2+n/23*22+…，根据树高，即为n/2*nlogn * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) 插入排序的比较次数从n-1到n(n-1)/2，因此不能用该符号表示； 选择排序都是n(n-1)/2,自底向上的合并排序都在nlogn阶，因此，可以用该符号表示 * 插入排序的比较次数从n-1到n(n-1)/2，因此不能用该符号表示； 选择排序都是n(n-1)/2,自底向上的合并排序都在nlogn阶，因此，可以用该符号表示 * 插入排序的比较次数从n-1到n(n-1)/2，因此不能用该符号表示； 选择排序都是n(n-1)/2,自底向上的合并排序都在nlogn阶，因此，可以用该符号表示 * 插入排序的比较次数从n-1到n(n-1)/2，因此不能用该符号表示； 选择排序都是n(n-1)/2,自底向上的合并排序都在nlogn阶，因此，可以用该符号表示 * * 深度为K，等比数列求和：sn=a1(1-qn)/(1-q) InsertionSort：平均情况分析 将A[i]，插入到A[1…i]，假设插入位置为j，j在每个位置的概率相同1/i 当j=1时，比较次数为i-1 2=j=i时，比较次数为i-j+1 * 算法复杂性的测度 算法复杂性 = 算法所需要的计算机资源 算法的时间复杂性T(n)； 算法的空间复杂性S(n)。 其中n是问题的规模（输入数据的多少，或初始数据的大小）。 在此，主要研究算法的时间复杂性 时间复杂性 例子：比较排序算法BottomupSort和SelectionSort BottomupSort的元素比较最大次数为 SelectionSort的元素比较最大次数为 假设某台计算机上，一次元素比较需要10-6秒 对128个元素排序 BottomupSort： 10-6（128×7-128+1）=0.0008s SelectionSort： 10-6（128×127）/2=0.008s 假设n=220 BottomupSort： 10-6（220×20-220+1）=20s SelectionSort： 10-6（220×（220-1）/2=6.4天 阶的增长 在分析算法运行时间时，我们通常将该算法和解决同一问题甚至是不同问题的算法相比较，这样，估计时间是相对的，而不是绝对的 我们希望一个算法不仅是独立于机器的，而且它能够用各种语言来标识 算法还应该是独立于技术的 我们主要关心的是大规模输入量时的算法执行情况 阶的增长 要精确计算算法的所有运算次数是非常麻烦的，所以我们主要讨论的是算法运行时间的增长率或增长阶 一旦去除了表示算法运行时间的函数中的低阶项和首项常数，就称我们是在度量算法的渐进运行时间，也称为“时间复杂性” 要分析一个算法，首先要确定关键运算(也称元运算，元运算的代价总是以一个时间常量为上界)，然后计算这些运算的频率计数 运算分为两类 基本运算：整数的加、减、乘、除；浮点运算；变量赋值；过程调用等。（每次运算在一个常量时间内能完成） 比较运算：往往与比较的序列的长度有关，在查找和排序算法中常见。 算法复杂性的测度 在给出某种初始数据作为输入的情况下，如果要确定执行这条语句的时间总量，则一般要得出该语句的频率计数和每执行一次该语句所需要的时间。 这两个数的乘积就是该语句的时间总量。 一般，由于一条语句的执行时间与所使用的机器、语言等有关，所以，在分析时只限于考虑每条语句的频率计数。 算法复杂性的测度 算法复杂性的测度 例1：考虑下面A