1_数据结构-绪论.pptVIP

* main() ｛float a,b,c,d,x1,x2; cinabc; d=b*b-4*a*c; if(d0){ x1=(-b+sqrt(d))/(2*a);x2=(-b+sqrt(d))/(2*a);coutx1x2;}else if (d==0){ x1=x2=-b/(2*a);coutx1x2;}elsecout无实根; } 自然语言描述的算法 C语言描述的算法 1. 输入a,b,c 2. 数据变换 3. 输出x1,x2 2-1. 计算判别式d 2-2. 根据d的值进行不同处理 　2-2-1:if d0x1=…x2=…2-2-2:if d=0x1=x2=…2-2-3:if d0…. * 二、算法的特性 确定性:每一种运算必须要有确切的定义，无二义性 能行性:运算都是基本运算，原理上能在有限时间内完成 输入:有0个或多个输入 输出:一个或多个输出 有穷性:在执行了有穷步运算后终止 * 三、算法化求解问题的过程 * 四、算法的描述 流程图 伪代码 程序设计语言 * 五、算法设计策略 Brute force Divide and conquer Decrease and conquer Transform and conquer Greedy approach Dynamic programming Backtracking and Branch and bound Space and time tradeoffs * 六、算法的评价衡量算法优劣的标准 正确性(correctness) 可读性(readability) 健壮性(robustness) 效率 * 4.2 算法效率分析 算法有关的问题: 正确性 时间效率 空间效率 最优性（算法优化） 方法: 理论分析 经验分析 算法复杂性是算法运行所需要的计算机资源的量. 资源：时间资源、空间资源 这个量应该只依赖于算法要解的问题的规模、算法的输入和算法本身的函数。如果分别用N、I和A表示算法要解问题的规模、算法的输入和算法本身，而且用C表示复杂性，那么，应该有C=F(N,I,A)。 一般把时间复杂性和空间复杂性分开，并分别用T和S来表示,则T=T(N,I)S=S(N,I) 。 　(通常，让A隐含在复杂性函数名当中） * 一. 算法的理论分析框架 * 问题的规模基本操作 问题规模 几乎所有的算法，对于规模更大的输入数据量，都需要更长的运行时间。 例如，100个数据的排序比10个数据的排序时间要长；2个10阶矩阵的相乘与2个3阶矩阵相乘所需时间要长。 基本操作 * 问题 输入规模的度量 基本操作 在有n个元素的表中搜索关键字 表中元素个数 n 关键字比较 两个浮点数矩阵相乘 矩阵维数 浮点数相乘 计算 an N 浮点数相乘 图问题 顶点数和/或边数 顶点或边的遍历 输入规模和基本操作示例 * 增长量级（速度） 执行时间与问题规模的关系 T=T(n) * 最坏、最好、平均情况效率 在很多情况下，基本操作执行次数不仅仅与输入数据规模有关，而且还与输入数据的原始组织方式有关。 最好情况时间复杂度 最坏情况时间复杂度 平均情况时间复杂度 * 时间复杂度函数的渐进阶 引入三个新概念： 大 O(f(n))记号==》上界 大Ω(f(n))记号==》下界 大Θ(f(n))记号==》上界和下界之间 最坏情况时间复杂度： * 例：线性表的顺序查找算法 算法：顺序查找算法 int SeqSearch(A[1..n],Key) {i=1; while(i=n A[i]=!Key)i=i+1; if i=n return i; else return -1; } 1.本算法的基本操作比较操作 2.问题的输入规模线性表的大小n 线性表A[1..n]的结构不同，要查找的关键字key的值不同，则基本操作执行次数也是不一样的。 * 最坏情况：Tworst(n)=n 最好情况：Tbest(n)=1 平均情况： 查找成功的概率是p(0p1) 线性表中的每个元素以相同的概率被匹配 平均情况下基本操作的次数* 二. 非递归算法的数学分析 分析非递归算法效率的一般步骤 决定用哪个输入参数作为输入规模的度量 找出算法的基本操作（作为一个规律，基本操作总是位于算法的最内层循环中） 检查基本操作的执行次数是否只依赖于输入规模。如果还依赖于一些其它特性，则最差效率、平均效率、以及最优效率需要分别研究。 建立一个算法基本操作执行次数的求和表达式 利用求和的标准公式建立增长次数的计算公式，或增长阶数公式 * 例：验证给定数组的元素是否唯一 int uniqElement(A[0..n]) { for(i=1;i=n-2;i++)for(j=i＋1；j=