算法设计精要.ppt

示例 示例 示例 示例 示例 示例 示例 示例 示例 示例 示例 示例 示例 示例 示例 示例 示例 最坏情况分析 记最坏情况下的元素比较次数是Cw(n)； PARTITION一次调用中的元素比较数是p-m+1，故每级递归调用上，元素的比较次数等于该级所处理的待分类元素数。 最坏情况下，每级递归调用的元素总数仅比上一级少1，故Cw(n)是r由n到2的累加和。 即：Cw(n)= = Ο(n2) 时间复杂度 平均情况分析 平均情况是指集合中的元素以任一一种顺序排列，且任选所有可能的元素作为划分元素进行划分和分类，在这些所有可能的情况下，算法执行性能的平均值。 设调用PARTITION(m,p)时，所选取划分元素v恰好是A(m:p-1)中的第i小元素（1≤i≤p-m）的概率相等。则经过一次划分，所留下的待分类的两个子文件恰好是A(m:j-1)和A(j+1:p-1)的概率是：1/(p-m), m≤jp。则有， 其中， n+1是PARTITION第一次调用时所需的元素比较次数。 CA(0) = CA(1) = 0 时间复杂度 化简上式可得： CA(n)/(n+1) = CA(n-2)/(n-1)+2/n+2/(n+1) = CA(n-3)/(n-2)+2/(n-1)+2/n+2/(n+1) … = CA(1)/2+ 由于 所以得，CA(n)2(n+1)loge(n+1) = Ο(nlogn) 时间复杂度 二分检索算法 Procedure BINSRCH(A,n,x,j) integer low,high,mid,j,n; low?1;high?n if(n0) while （low≤high） do { mid?[(low+high)/2] /*取中间值*/ case xA[mid]:high?mid-1 xA[mid]:low?mid+1 else:j?mid;return /*检索成功*/ endcase } j?0 /*检索失败*/ End BINSRCH 二分检索的时间复杂度 定理 ：若n在区域[2k-1,2k)中，则对于一次成功的检索，二分检索至多作k次比较，而对于一次不成功的检索，或者作k-1次比较或者作k次比较。 最坏情况下的成功检索计算时间Θ(logn) 最坏情况下的不成功检索计算时间Θ(logn) 最好情况下的成功检索计算时间Θ(1) 最好情况下的不成功检索计算时间Θ(logn) 每种不成功的检索时间都为Θ(logn) 二分检索在各种情况下的检索时间 计算时间 最好 平均 最坏 成功的检索 Θ(1) Θ(logn) Θ(logn) 不成功的检索 Θ(logn) Θ(logn) Θ(logn) 以比较为基础检索的时间下界 定理 ：设A(1:n)含有n(n≥1)个不同的元素，排序为A(1)A(2)…A(n)。又设以比较为基础去判断是否x∈A(1:n)的任何算法在最坏情况下所需的最小比较次数是FIND(n)，那么FIND(n)≥[log(n+1)] 定理表明，任何一种以比较为基础的算法，其最坏情况时间都不可能低于O(logn)，也就是不可能存在其最坏情况时间比二分检索数量级还低的算法。 找最大和最小元素 问题描述：在含有n个不同元素的集合中同时找出它的最大和最小元素 一般解决方法 Procedure STRAITMAXMIN(A,n,max,min) integer i,n; max?min?A(1) for i?2 to n do { if A[i]max then max?A[i] endif if A[i]min then min?A[i] endif } End STRAITMAXMIN If A[i]max then max?A[i] else if(A[i]min then min?A[i] endif endif 算法的时间复杂度 没改进：2(n-1) 改进后：最好n-1，最坏2(n-1),平均3(n-1)/2 可考虑用分治策略来解决这个问题 将任一实例I=(n,A(1),…,A(n))分成一些较小的实例来处