数据结构第1章题稿.ppt

算法的运行时间 = 计算机执行一种简单操作的时间*简单操作的执行次数 （与机器有关，不考虑） 如：t=x; x=y; y=t; 运行时间 = 一条赋值语句的执行时间*3 通常把算法中包含简单操作次数的多少叫做该算法的时间复杂度，用它来衡量一个算法的运行时间性能。 若解决一个问题的规模为n，即表示待处理的数据中包含有n个元素，则算法的时间复杂度通常是n的一个函数，记为f(n)。 例1：分析以下程序的时间复杂度 int Sum(int b[], int n) { int i, s=0; //频度为1 for ( i=0; in; i++ ) //频度为(n+1) s=s+b[i]; //频度为n return s; //频度为1 } （一条语句重复执行的次数称语句的频度） 时间复杂度: f(n) = 2n+3 = O(n) 例2：分析以下程序段的时间复杂度 for ( i=1; i=n; i++) //n+1次 { y++ ; //n次 for ( j=1; j=(2*n); j++ ) //n*(2n+1)次 x++ ; //n*(2n)次 } 时间复杂度: f(n) = (n+1) + n + n*[(2n+1)+(2n)] = 4n2 + 3n +1 = O(n2) 以上时间复杂度的计算相当繁琐，一般算法的时间复杂度采用数量级的形式表示: T(n) = O(f(n)) “O”的形式定义为： 若f(n)是正整数的一个函数，则 T(n)=O(f(n))表示：存在正的常数M和n0, 使得当 n = n0时，∣T(n)︱=M*︱f(n)| 表示随问题规模n的增大，算法执行时间的增长率与函数f(n)的增长率相同。 当 f(n)= c0nm+c1nm-1+…+cm-1n+cm 时， T(n)= O(nm) 采用数量级的形式表示后，时间复杂度不必计算出简单操作的精确次数，只要计算出相应的数量级即可。 例： x =x+1; y =y+1; O(1) for (i=1;i=n;i++) x=x+1 O(n) for (i=1;i=n;i++) for (j=1; j=i-1; j++) x=x+1 O(n2) 算法的时间复杂度是由嵌套最深层语句的频度决定的 算法的时间复杂度通常具有形式： O(1)、 O(log2n) 、 O(n) 、O(n*log2n)、O(n2)、O(n3)、O(2n) 、O(n!) 随着n的增大，各种数量级对应值的增长速度大不相同，对应关系如下： P14 图1.7 O(1) O(log2n) O(n) O(n*log2n) O(n2) O(2n) O(n!) 一个算法的时间复杂度还可以具体分为最好、最差和平均三种情况来讨论 。 例：顺序查找算法 int SequenceSearch(int a[ ], int n, int item) { //若查找成功则返回元素的下标，否则返回-1。 for (int i=0; in; i++) if (a[i]==item) return i; return -1; } 第一个元素a[0]的值就等于item， O(1) 最后一个元素a[n-1]的值等于item，O(n) 每一个元素等于item的概率相同，则查找成功时的平均比较次数 = 1/n*(1+2+…+n) = (n+1)/2， O(n) 比较完所有的n个元素 ，O(n) 。