第1章 绪论0921.ppt.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 练习题1： 习题3、习题5和习题6。 上机题： 　 熟悉VC++6.0编程环境 Debug方法。 * * Thanks * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 一个算法是由控制结构(顺序、分支和循环三种)和原操作(指固有数据类型的操作)构成的,则算法时间取决于两者的综合效果。 1.3.1 算法时间复杂度分析 … 一个算法 * 控制语句1 原操作 控制语句n 原操作 同一问题可以采用多种算法实现。如何比较算法执行效率？ ? 算法描述的语言不同 ? 算法执行的环境不同 ? 其他因素 所以不能用绝对执行时间进行比较 * 为了便于比较同一问题的不同算法,通常从算法中选取一种对于所研究的问题来说是基本运算的原操作(以下将基本运算的原操作简称为基本运算)。 算法执行时间大致为基本运算所需的时间与其运算次数(也称为频度)的乘积。 被视为算法基本运算的一般是最深层循环内的语句。 * 在一个算法中,进行基本运算的次数越少,其运行时间也就相对地越少；基本运算次数越多,其运行时间也就相对地越多。 所以,通常把算法中包含基本运算次数的多少称为算法的时间复杂度,也就是说,一个算法的时间复杂度是指该算法的基本运算次数。 算法中基本运算次数T(n)是问题规模n的某个函数f(n),记作： T(n)=O(f(n)) * 记号“O”读作“大O”,它表示随问题规模n的增大算法执行时间的增长率和f(n)的增长率相同。“O”的形式定义为： 若f(n)是正整数n的一个函数,则T(n)=O(f(n))表示存在一个正的常数M,使得当n≥n0时都满足： |T(n)|≤M|f(n)| * 也就是只求出T(n)的最高阶,忽略其低阶项和常系数,这样既可简化T(n)的计算,又能比较客观地反映出当n很大时,算法的时间性能。 例如,T(n)=3n2-5n+10000=O(n2) 本质上讲，是一种最高数量级的比较 * 一个没有循环的算法的基本运算次数与问题规模n无关,记作O(1),也称作常数阶。 一个只有一重循环的算法的基本运算次数与问题规模n的增长呈线性增大关系,记作O(n),也称线性阶。 其余常用的还有平方阶O(n2)、立方阶O(n3)、对数阶O(log2n)、指数阶O(2n)等。 * 各种不同数量级对应的值存在着如下关系： O(1)O(log2n)O(n)O(n*log2n)O(n2) O(n3)O(2n)O(n!) * 例1.4 求两个n阶方阵的相加C=A+B的算法如下,分析其时间复杂度。 #define MAX 20 /*定义最大的方阶*/ void matrixadd(int n,int A[MAX][MAX], int B[MAX][MAX],int C[MAX][MAX]) { int i,j; for (i=0;in;i++) for (j=0;jn;j++) C[i][j]=A[i][j]+B[i][j]; } * 该算法中的基本运算是两重循环中最深层的语句C[i][j]=A[i][j]+B[i][j],分析它的频度,即： T(n)= =O(n2) * 例1.5 　分析以下算法的时间复杂度。 int fun(int n) { int i,j,k,s; s=0; for (i=0;i=n;i++) for (j=0;j=i;j++) for (k=0;k=j;k++) s++; return(s); } 基本语句或基本操作 * 解：该算法的基本操作是语句s++,其频度： T(n)= =O(n3) 则该算法的时间复杂度为O(n3)。 * 例1.6 　分析以下算法的时间复杂度。 void