算法分析方法【荐】.pptVIP

算法设计与分析 算法分析方法 一. 算法复杂性分析 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)。 算法的处理器复杂性P (n) 其中 n 是问题的规模（输入大小）。 1. 算法的时间复杂性 最坏情况下的时间复杂性 Tmax(n) = max{ T(I) | size(I)=n } 最好情况下的时间复杂性 Tmin(n) = min{ T(I) | size(I)=n } 平均情况下的时间复杂性 Tavg(n) = 其中I是问题的规模为n的实例，p(I)是实例I出现的概率。 2. 复杂性的渐近性质 T (n) ?? , as n?? ; (T (n) – t (n) )/ T (n) ?0 ，as n??; t (n)是T (n)的渐近性态，称为算法的渐近复杂性。 在数学上， t (n)是T (n)的渐近表达式，是T (n)略去低阶项留下的主项。它比T (n) 简单。 例T(n)=3n2+4nlog2n+7 t(n)=3n2 3. 渐近上界记号O 设f(n)和g(n)是将非负整数映射为实数的函数。如果存在实常数c 0 和整常数n0 ? 1， 对于每个n ? n0的整数，满足0 ? f (n) ? cg (n) ，则称f(n)是O(g(n))。 也可读作“f(n)是g(n)的大O”或“f(n)是g(n)阶的”。 渐近上界记号O 例1-1 7n-2是O(n) 。 证明：由大O的定义可知，需要找一个实常数c 0 和整常数n0 ? 1，对于每个n ? n0的整数，满足7n-2 ?cn。容易看出，一种可能的选择是c=7和n0=1，实际上，这只是无数个可选方式之一，因为任何大于7的实数c，以及任何大于或等于1的整数n0都会满足条件。 渐近上界记号O 例1-2 20n3+10nlogn+5是O(n3) 。 证明：对于n ? 1， 20n3+10nlogn+5 ?35n3。 实际上， aknk+ak-1nk-1+a0总是O(nk)的。 渐近上界记号O 例1-3 3logn+loglogn是O(logn) 。 证明：对于n ? 2， 3logn+loglogn ?4logn。 因为对于n=1,loglogn无意义。 渐近上界记号O 例1-4 2100是O(1) 。 证明：对于n ? 1， 2100 ? 2100 *1。 因为，变量n并没有出现在不等式中，我们处理的是恒定值函数。 大O符号的使用 因为大O符号已经代表“小于或等于”概念，不写成“f(n) ?O(g(n))”。同样尽管“f(n)=O(g(n))”这种说法很常见，但它并不完全正确（就通常理解的“=”关系而言），而且“f(n) ?O(g(n))或“f(n)O(g(n))”实际上都不正确。最好说“f(n)是O(g(n))”。如果更偏向于用数学语言，称 f(n) ? O(g(n)) 也是正确的。因为大O表示从技术上说定义了函数的全集。 渐近分析的记号 （1）O(f)+O(g)=O(max(f,g)) （2） O(f)+O(g)=O(f+g) （3） O(f)O(g)=O(fg) （4）如果g(n)=O(f(n))，则O(f)+O(g)=O(f) （5） O(cf(n))=O(f(n))，其中c是正常数 （6）f=O(f) 规则O(f(n))+O(g(n)) = O(max(f(n),g(n))) 的证明： 对于任意f1(n) ? O(f(n)) ，存在正常数c1和自然数n1，使得对所有n? n1，有f1(n) ? c1f(n) 。 类似地，对于任意g1(n) ? O(g(n)) ，存在正常数c2和自然数n2，使得对所有n? n2，有g1(n) ? c2g(n) 。 令c3=max{c1, c2}， n3 =max{n1, n2}，h(n)= max{f(n),g(n)} 。 则对所有的 n ? n3，有 f1(n) +g1(n) ? c1f(n) + c2g(n) ? c3f(n) + c3g(n)= c3(f(n) + g(n)) ? c32 max{f(n),g(n)} = 2c3h(n) = O(max(f(n),g(n))) . 与大O相关的渐近符号大?和大? 设f(n)和g(n)是将整数映射为实数的函数。如果存在实常数c 0 和整常数n0 ? 1， 对于n ? n0，满足 f (n) ? cg (n) ，则称f(n)是 ?(g(n))(读作“f(n)是g(n)的大?”)。在渐近意义上，