算法设计与重点解析.pptVIP

* * 把问题转化为用n元钱买n只鸡，n为任意正整数， a,b,c的可能取值范围：0～ n，对在此范围内的a,b,c的所有组合进行测试，凡是满足上述三个约束方程的组合，都是问题的解。 * * μs:微秒，（microsecond ）. 1μs =10↑-6秒 ms:毫秒, 1ms ＝ 10↑-3 秒 * ACM/ICPC竞赛其实就是算法设计和编码的竞赛，熟悉各种常用算法和算法设计策略并能灵活运用是非常必要的。 这里对几种在竞赛中经常用到的算法设计策略做一简单的介绍。 * 正确性(correctness) 效率:时间效率/空间效率-评价算法性能.√ 执行算法所耗费的时间； 执行算法所耗费的存储空间，其中主要考虑辅助存储空间； 简单性(readability) 算法应易于理解，易于编码，易于调试等等 健壮性(robustness): 能处理非法输入 …… * 算法的输入规模和运行时间一般成正比，运行时间因为机 器的不同无法估算，故此不需对算法的执行时间作出准确地统计（除非在实时系统中），而是对每个操作的次数进行统计。 * 算法的输入规模和运行时间一般成正比，运行时间因为机器的不同无法估算，故此不需对算法的执行时间作出准确地统计（除非在实时系统中），而是对每个操作的次数进行统计。 * 算法的运行时间常和算法中的循环次数成正比。 因此，统计算法的循环次数，它的阶可作为算法 的运行时间阶。 * 二、基本操作频率（选…为主的操作） * 上界、下界、准确界例 * * 复杂性类型和o记号 * 例：由例1.8知 复杂性类型例 * 例1.10 判断下列f(n)、g(n)是否属于同一复杂性类型。 复杂性类型例 * 解： 复杂性类型例 * o记号 o含义：低阶 * 另一种判定方法：如果存在 ，则 即意味： 表明:随着n趋于非常大，f(n)相对于g(n)变得不重要。 o记号 如: 4nlogn+7 = o(3n2+4nlogn+7), f(n)= o(g(n)) * 排在前面的复杂性类型是算法设计追求的目标。 o记号 * 1.3 算法的时间复杂性分析 循环次数的统计 算法的运行时间常和算法中的循环次数成正比。 因此，统计算法的循环次数，它的阶可作为算法 的运行时间阶。 例1.11 计算多项式： 解： 算法描述如下： * 输入：多项式的阶n，x，系数A[] 输出：多项式P(x)的值 float polynomial(float A[], float x, int n) { int i; float value = A[n]; for(i=n; i0; i--) value = value*x+A[i-1]; return value; } 算法1.4 * 按初等操作计算模型分析算法1.4的执行时间： 算法1.4的循环次数是n次，与T(n)的阶相同， 均为 分析复杂性时，只需分析算法中的循环次数的阶。 时间复杂性分析— 循环次数统计例 * 设： c1：给循环控制变量i 赋初值所花费的单位时间 c2：变量i的测试及递减、以及值value的计算所花费的单位时间。 算法的执行时间T(n)为： 结论：循环次数n(问题规模)是算法运行时间的阶 * 例：分析以下程序段的时间复杂度。 ① for(k=1; kn ; k++) y = y+1; ② for(k=1; kn ; k++) { y = y+1; for(j=0; j=(2*n); j++) x++; } O(n) O(n2) 随堂练习 * ③ for(k=0; kn ; k++) for( m=0; m= k; m++) A[k][m] = m+k; O(n2) ④ for(k=0; kn; k++) for( m=0; mn; m++) { C[k][m] = 0; for(j=0; jn; j++) C[k][m] += A[k][j]*B[j][m]; } O(n3) * 练习1.2:分析下列算法的时间复杂性. 输入：数组A[]，元素个数n 输出：按递增顺序排列的数组A[] 时间复杂性分析— 循环次数统计例 void swap(int x, int y) { int temp; temp = x; x = y; y = temp; } * void bubble(int A[], int n) {