数据结构第1章_刘震.pptVIP

3．健壮性 当输入的数据非法时，算法应当恰当地作出反映或进行相应处理，而不是产生莫名奇妙的输出结果。并且，处理出错的方法不应是中断程序的执行，而应是返回一个表示错误或错误性质的值，以便在更高的抽象层次上进行处理。 4．高效率与低存储量需求 通常，效率指的是算法执行时间； 存储量指的是算法执行过程中所需的 最大存储空间，两者都与问题的规模 有关。 算法效率的衡量方法和准则 与算法执行时间相关的因素 1．算法选用的策略 2．问题的规模 3．编写程序的语言 4．编译程序产生的机器代码的质量 5．计算机执行指令的速度 通常有两种衡量算法效率的方法: 事后统计法 事前分析估算法 缺点：1．必须执行程序 2．其它因素掩盖算法本质 算法效率的衡量方法和准则 一个特定算法的“运行工作量” 的大小，只依赖于问题的规模（通常用整数n表示），或者说，它是问题规模的函数, 计为f(n)。 假如，随着问题规模 n 的增长，算法执行时间的增长率和 f(n) 的增长率相同，则可记作： T (n) = O(f(n)) 称O(f(n)) 为算法的时间复杂度。 如何估算 算法的“运行工作量 ？ 用执行基本操作次数来度量。 例 一 两 个 矩 阵 相 乘 void mult(int a[], int b[], int c[] ) { // 以二维数组存储矩阵元素，c 为 a 和 b 的乘积 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]; } //for } //mult 基本操作: 乘法操作 操作次数:n3 例 二 冒 泡 排 序 void bubble_sort(int a[], int n) { // 将 a 中整数序列重新排列成自小至大有序的整数序列。 for (i=n-1, change=TRUE; i0 change; --i) } // bubble_sort 基本操作: 赋值操作 操作次数: (n-1)+(n-2)+…+1=n(n-1)/2 { change = FALSE; // change 为元素进行交换标志 for (j=0; ji; ++j) if (a[j] a[j+1]) { a[j] ←→ a[j+1]; change = TRUE ;} } // 一趟冒泡 两个算法比较时间复杂度: 1. 运算次数的低阶部分不会影响比较结果; 比如, n3和n3 +2n2 +15比较，(n3 +2n2 +15- n3)/ n3在 n取极限时， 结果为0。 2. 运算次数的高阶部分的常数项不会影响 比较的结果 ，可以省略掉。 因此，算法的时间复杂度也称为渐进时间复杂度， 对于冒泡排序，O(f(n))=O(1/2n2 -1/2n)≈O(n2 ) 如果存在正的常数C和自然数N0，使得N ≥ N0时有 f(N)≤Cg(N)，则称函数f(N)当N充分大时上有界 ， 且g(N)是它的一个上界，记为f(N)=O(g(N)). 举例： (1)对所有的N ≥ 1时有3N ≤ 4N， 有3N=O(N); (2)当N ≥ 1时有N+1024 ≤ 1025N，有N+1024=O(N); 按照符号O的定义,容易证明它有如下运算规则: (1)O(f)+O(g)=O(max(f,g)); (2)O(f)+O(g)=O(f+g); (3)O(f)O(g)=O(fg); (4)如果g(N)=O(f(N)), 则O(f)+O(g)=O(f); (5)O(Cf(N))=O(f(N)),其中C是一个正的常数； (6)f=O(f); 算法的存储空间需求分析 算法的空间复杂度定义为: S(n) = O(g(n)) 上式表示随着问题规模 n 的增大， 算法运行所需存储量的增长率与 g(n) 的增长率相同。 算法的存储量包括: 1．输入数据所占空间 2．程序本身所占空间 3．辅助变量所占空间 常见的时间复杂度： 常数阶O (1) 对数阶O (log2n) 线性阶O (n) 线性对数阶O (nlog2n) 多项式阶O (n2)、O (n3) 指数阶O (2n) 多项式阶时间关系为： O(logn)O(n)O(nlogn)O(n2)O(n3) 指数时间的关系为： O(2n)O(n!)O(nn) O(1)多项式阶指数阶 当n取得很大时，指数阶时间算法和多项式阶时间算法在所需时间上非常悬殊。 因此，只要有人能