概论数据结构讲解.ppt

* * * * * * * * * * * * * * * * * * * * * * Z=a+bi, a实部，b虚部，i虚部单位 (a+bi)+(c+di)=(a+c)+(b+d)i * * * * 最好运行时间 通常不考虑 最坏情况经常发生，最坏时间与平均时间相当 当算法最好与最坏时间相差很大（不在一个数量级），就要用平均时间 对于时间开销，一般不注意算法的“最好估计” 。特别是处理应急事件，计算机系统必须在规定的响应时间内做完紧急事件处理。这时，最坏估计是唯一的选择 对于多数算法而言，最坏情况和平均情况估计两者，它们的时间开销的公式虽然不同，但是往往只是常数因子大小的区别，或者常数项的大小区别。因此不会影响渐进分析的增长率函数估计 * * * 1、f(n)=?logn2=2logn，与g(n)同阶，所以f(n)=Θ (g(n)) 2、当n=8时，f(n)g(n)，故f(n)=Ω (g(n)) 3、f(n)的阶数不低于g(n)的阶，所以f(n)=Ω (g(n)) 4、当n=0时，f(n)=g(n)，所以f(n)=O(g(n))? * 算法分析举例：Insertion-Sort 最好情况：如果输入序列已经有序，则tj ＝ 1 算法分析举例：Insertion-Sort 最坏情况：如果输入序列为降序，则tj ＝ j 平均情况：与数据的概率分布有关，假设对 所有j=2,3…n 有tj=j/2 复杂性渐近性态 算法渐进分析：估计，当数据规模 n逐步增大时，资源开销T(n)的增长趋势 在算法分析过程中，通过抽象来简化分析过程，忽略每个语句的实际开销，代之以抽象的常数Cj； 不但忽略每个语句的实际开销，将若干个Ci的累加和抽象成常数a 对运行时间的增长量级（速度）感兴趣，只考虑运行时间表达式中的首项（比如，n2） 忽略首项系数，如，插入排序的最坏情况运行时间（又称最坏情况时间复杂度）为Θ（n2） 如： 常见函数增长率比较 常见函数增长率比较 常见函数增长趋势图例 渐近表示法 为了更清晰地表示算法运行时间的增长率，引入渐近记号： 渐近记号Θ Θ-notation: 定义：给定一个函数g(n)， Θ(g(n))表示一个函数集合 Θ(g(n))＝｛f(n) |存在正常数C1，C2和n0使得当n≥ n0，均有0≤C1g(n) ≤f(n)≤C2g(n)成立｝。 f(n)∈Θ(g(n)) → f(n)=Θ(g(n)) g(n)是f(n)的渐紧界 f(n)=Θ(g(n))表明，当n→∞时，f(n)和g(n)趋于无穷大的阶是相同的。 f(n)和g(n)均是渐近非负的，即：对足够大的n， f(n)和g(n)均大于等于0 记号Θ(1)可认为是Θ(n0) 渐近记号Θ 图中的n0点的精确值一般难以得到， 在分析和证明过程中可以用一个大于n0而且易于求得的值n1替代 渐近记号Θ 例子：n2/2-3n= Θ(n2) 证明：需要选择正常数C1，C2和n0满足 C1n2≤n2/2-3n ≤ C2 n2 我们选择C1＝1/6，C2＝1，n0＝9 在证明中， C1，C2和n0的选取可以有多种不同的方式， 可取各种不同的值，例如在上题中可以取C1＝1/4，C2＝1/2，n0＝12 ，也同样可以证明。 渐近记号O O-notation: 定义：给定一个函数g(n)， O(g(n))表示一个函数集合 O(g(n))={f(n) |存在正常数C 和n0 使得当n≥ n0，均有0≤f(n)≤Cg(n)成立}。 f(n)∈O(g(n)) → f(n)=O(g(n)) g(n)是f(n)的渐近上界 f(n)=O(g(n))表明，当n→∞时，f(n)趋于无穷大的阶不大于（即小于等于）g(n)趋于无穷大的阶。 若f(n)=Θ(g(n))，则一定有f(n)=O(g(n))，反之不成立 渐近记号O The curves for f(n)=O(g(n)) 渐近记号O 例子：an3+bn2+cn+d= O(n3), a0 例子：an2+bn+c= O(n3), a0 例子：nlgn＝O(n2), 但是 nlgn≠Θ(n2) 渐近记号Ω Ω-notation: 定义：给定一个函数g(n)，Ω(g(n))表示一个函数集合 Ω(g(n))＝｛f(n)|存在正常数C和n0使得当n≥ n0，均有0≤Cg(n)≤f(n)成立｝。 f(n)∈Ω(g(n)) → f(n)=Ω(g(n)) g(n)是f(n)的渐近下界 f(n)= Ω(g(n))表明，当n→∞时，f(n)趋于无穷大的阶不小于（即大于等于）g(n)趋于无穷大的阶。 若f(n)=Θ(g(n))，则一定有f(n)=Ω(g(n