数据结构(c语言版)教学教案分析.pptVIP

* Section 2 Algorithm Analysis Asymptotic Analysis Asymptotic algorithm analysis ignore the constants of an estimate. When comparing algorithms meant to run on small values of n, the constant can have a large effect. * Section 2 Algorithm Analysis Upper Bounds For T(n) a non-negatively valued function, T(n) is in set O(f(n)) if there exist two positive constants c and n0 such that T(n)=cf(n) for all nn0 Just knowing that something is in O(f(n)) says only how bad things can get. * Section 2 Algorithm Analysis Lower Bounds For T(n) a non-negatively valued function, T(n) is in set Ω(g(n)) if there exist two positive constants c and n0 such that T(n)=cg(n) for all nn0 * Section 2 Algorithm Analysis Θ Notation An algorithm is said to be Θ(h(n)) if it is in O(h(n)) and it is in Ω(h(n)) . If f(n) is Θ(g(n)), then g(n) is Θ(f(n)) . In the average case, the sequential search algorithm is Θ(n) . We have no Θ analysis for some algorithm. * Section 2 Algorithm Analysis Θ Notation 也就是常用数量级的形式来表示，也常记作T(n)=O(f(n))。其中，大写字母O为Order(数量级)的字头，f(n)为函数形式，如T(n)=O(n2)。 当T(n)为多项式时,可只取其最高次幂项,且它的系数也可略去不写。 一般地，对于足够大的n，常用的时间复杂性存在以下顺序： O(1) O(logn) O(n) O(n*logn) O(n2) O(n3) … O(2n)O(3n)…O(n!) 其中,O(1)为常数数量级,即算法的时间复杂性与输入规模n无关。 * Section 2 Algorithm Analysis 算法效率的度量 对一个算法要作出全面的分析可分成两用人才个阶段进行，即事先分析和事后测试。 事先分析 求出该算法的一个时间界限函数 事后测试 收集此算法的执行时间和实际占用空间的统计资料。 定义：如果存在两个正常数c和n0，对于所有的n≧n0，有︱f(n) ︳≦c｜g(n) ︳则记作 f(n)=O(g(n)) 一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，算法的时间量度记作 T(n)=O(f(n)) 称作算法的渐近时间复杂度。 * Section 2 Algorithm Analysis 算法效率的度量 例1、for(I=1，I=n;++I) for(j=1;j=n;++j) { c[I][j]=0; for(k=1;k=n;++k) c[I][j]+=a[I][k]*b[k][j]; } 由于是一个三重循环，每个循环从1到n，则总次数为: n×n×n=n3 　时间复杂度为T(n)=O(n3) * Section 2 Algorithm Analysis 算法效率的度量 例4, for(I=1;I=n;++I) 　　　　for(j=1;j=n;++j) {++x;s+=x;} 语句频度为：2n2 　其时间复杂度为：O(n2) 即时间复杂度为平方阶。 定理：若A(n)=a m n m +a m-1 n m-1 +…+a1n