刪除與搜尋策略.pptVIP

演算法簡介 第二十章 演算法簡介 知己知彼，百戰不貽 －孫子 內容 前言 20.1 演算法分析 20.2 個別擊破策略 20.3 貪婪策略 20.4 動態規劃 20.5 刪除與搜尋策略 20.6 課後習題 20.7 欲罷不能 前言 演算法 (Algorithm) 電腦上解決問題的方法 包括明確的輸出入資料和詳細且有限的執行步驟 了解每個演算法在不同狀況下所花的時間，而從中挑選適合的演算法以迅速得到答案 演算法設計策略 20.1 演算法分析 在電腦上解決問題的基本架構 演算法以程式描述後在電腦上執行，資料輸入至程式後，經過程式對資料的運算，最後產生解答 時間複雜度 (Time Complexity) 假設演算法 A 能解問題P 問題P的輸入資料量為N 假設資料量為N的資料樣本 (Data Instance) 有 D1 , D2 , ... , Di , ... , Dm 共 m 種 令 T(Di) 表示當輸入資料為 Di 時演算法 A 要執行的運算或步驟的總次數 演算法 A 的最好狀況時間複雜度 (Best-Case Time Complexity) T(Di)(1 ? i ? m)中最小的值，即min1? i ? m { T(Di) } 時間複雜度 (cont.) 演算法 A 的最差狀況時間複雜度 (Worst-Case Time Complexity) T(Di)(1 ? i ? m)中最大者，即max1? i ? m { T(Di) } 演算法A的一般狀況時間複雜度 (Average-Case Time Complexity) T(Di) (1 ? i ? m)的平均值或期望值(在某機率假設下) 說“演算法A的時間複雜度為C”就是指其最差狀況時間複雜度為C 時間複雜度 (cont.) 範例 若問題P之輸入資料量為 N 的樣本有D1 , D2 , D3 三種，且 T(D1)=3 , T(D2)=N , T(D3)=N3 演算法 A 的 最好狀況時間複雜度為 3 演算法 A 的最差狀況為 N3 演算法 A 的一般狀況為 (3+N+N3)/3 稱演算法 A 的時間複雜度為 N3 漸近上限 (Asymptotic Upper Bound) O階次 如果存在某固定正實數 c 及某個非負整數 m 使得對所有的 n ? m，不等式 g (n) ? c ? f (n) 都成立，則 g (n) = O ( f (n))，稱 f (n) 為 g (n) 的漸近上限 Example: N2+10N = O(N2)，因為當n ? 10 時，N2+10N ? 2N2 稱N2為N2+10N的漸進上限 漸近下限 (Asymptotic Lower Bound) ?階次 若存在某固定正變數 c 及某非負整數 m 使得對所有 n m，不等式 g (n) c ? f (n) 都成立，則 g (n) = ? ( f (n))，稱 f (n) 為 g (n) 的漸近下限 Example n3 = ?(n2)，因為當n ? 1時，n31 ? n2，所以n2為n3的漸近下限。 真正階次 (Exact Order) ? 若存在某固定正變數 c 及某非負整數 m 使得對所有 n m，不等式 g (n) c ? f (n) 都成立，則 g (n) = ? ( f (n))，稱 f (n) 為 g (n) 的漸近下限 Example N2+10N = ?(N2)，因為 N2+10N = O(N2) 且 N2+10N = ? (N2)。 真正階次(cont.) 當n足夠大時，2n n3 n2 nlogn n logn 指數函數分析 指數函數 (Exponential Function) 例如：f(n) = cp(n)，其中c為常數，p(n)為n的多項式函數 (Polynomial Function) (如n，n2 + 10，log2n，nlog2n) Example:2n、3n、4logn等函數 函數值上升速度相當快 時間複雜度為指數函數階次的演算法在資料量足夠多時需要相當長的時間才能解得答案 多項式時間演算法 (Polynomial-Time Algorithm) 時間複雜度是O(p(n))的演算法，其中p(n)為n的多項式函數 電腦上可解（Tractable）的問題 能用多項式時間演算法解得答案的問題，即能用電腦在合理時間內求得答案 例如：排序及搜尋等問題 排序法及搜尋法的時間複雜度 最佳演算法 (Optimal Algorithm) 若可解問題P的演算法A的時間複雜度為t，而解問題P的演算法最少需要t時間，則稱演算法A是解問題P的最佳演算法 例如：兩兩合併排序法是最佳排序演算法 排序n個數的問題最少