第二章算法分析.pptVIP

第二章 算法分析 本章目标 如何估计一个程序（算法）的运行时间 如何将一个程序的运行时间从天或年降低到秒 本章纲要 1.算法分析基础 2.模型 3.要分析的问题 4.运行时间计算 5.小结 1.算法分析基础 函数增长率：函数增长的速度 4个关于函数增长率的定义： 定义1：如果存在正常数c和n0，使得当N n0时，T(N) cf(N)，则记为T(N) =O(f(N)) 定义2：如果存在正常数c和n0，使得当N n0时，T(N) cg(N)，则记为T(N) = (g(N)) 定义3：T(N) = (h(N))，当且仅当T(N) =O(h(N))和T(N) = (h(N)) 定义4：如果T(N) =O(p(N))且T(N) (p(N))，则T(N) =o(p(N)) 1.算法分析基础 【例2-1】比较f1(n)=n2，f2(n)=2n+20的增长率关系 解： 当n6时，f1更小； 随后，f1明显胜出。 当n增长时， f1的增 长率大于f2的增长率 令c=1，n0=6，则 f1(n) f2(n)，因此 f1(n)= (f2(n)) 或f2(n)=O(f1(n)) 1.算法分析基础 【例2-2】g(N)=2N2，分析g(N)与N4，N3，N2，N的增长率关系。 解： 令c=1，n0=2，g(N) N4，所以g(N)=O(N4)，又有，g(N) (N4)， 得到g(N) (N4)，所以g(N)=o(N4) 同理，令c=1，n0=2，g(N)=O(N3)，又g(N) (N3)，所以g(N)=o(N3) 令c=2，n0=1，g(N) 2N2，所以g(N)=O(N2)，又有， g(N) 2N2， 得到g(N)= (N2)，所以g(N)= (N2) 令c=1，n0=1，g(N) N，所以g(N)= (N) 1.算法分析基础 法则1： 如果T1(N)=O(f(N))且T2(N)=O(g(N))那么 (a)T1(N)+T2(N)=max(O(f(N)), O(g(N))) 如N=N2, N3=N4, N+N3=N4 (b)T1(N)*T2(N)= O(f(N)*g(N)) N*N3=N2*N4 法则2： 如果T(N)是一个k次多项式，则T(N)= (Nk) 当N=1时，N2=1*(N2+N+1)，同时N2+N+1=2*N2，所以上式成立。 1.算法分析基础 法则3： 对任意常数k: logkN=O(N), logN=O(N1/k) 一般：c,logkN,N,NlogN,N2,N3,2N,N! 1.算法分析基础 1.O,o, , 表示函数相对增长率时，应忽略低阶项和常数项 例如，O(2N2+3N)应表示成O(N2) 2.确定任两个函数增长率使用洛必达法则 极限=0：f(N)=o(g(N)) 极限=c：f(N)= (g(N)) 极限= ：g(N)=o(f(N)) 极限不存在 1.算法分析基础 【例2-3】求NlogN和N1.5之间的增长率关系。 解： logN=O(N0.5)，N=O(N) NlogN=O(N1.5) 【例2-4】求N3和2N之间的增长率关系 解： 应用洛必达法则， lim(N3/2N)=lim[6/(2Nln32)]=0, N3=o(2N) 2.模型 假设计算机运行基本运算，如加减乘除等，花费时间相同，为一个指令周期。 假设内存无限 3.要分析的问题 时间复杂度? Tavg(N)：算法所花费的平均运行时间 有时难以定义 有时不好计算 Tworst(N)：算法最坏情况下的运行时间 O(f(N)) 4.运行时间计算 【例2-5】计算 解： Int sum(int N){ int i，Partialsum; Partialsum=0; for(i=1;i=N;i++) Partialsum+=i*i*i; Return Partialsum; } 4.运行时间计算 基本原则：从内向外分析。 法则1 — for循环 (For循环内语句)*迭代次数 for(i=1; in; i++) 1+n+(n-1)=O(n) x=x+y; 2=O(1) 时间复杂度: 4n=O(n) 法则2—嵌套的for循环 最内部语句*连乘外循环次数 for(j=