第1章 数据结构基础.ppt

* 而对于算法分析，我们关心的是算法中语句总的执行次数Tn是关于问题规模n的函数，进而分析Tn随n的变化情况并确定Tn的数量级 我们用“O”来表示数量级，这样我们可以给出算法的时间复杂度概念。 所谓算法的时间复杂度，即是算法的时间量度，记做： ?????????????????? T(n)=O(f(n)) 它表示随问题规模n的增大，算法的执行时间的增长率和f(n)的增长率相同，称作算法的渐进时间复杂度，简称时间复杂度。 * 例２ {++x;s=0;} 将x自增看成是基本操作，则语句频度为１，即时间复杂度为Ｏ(1)，即常量阶。 例３、for(i=1;i=n;++i) {++x;s+=x;} 语句频度为：n　其时间复杂度为：O(n) 即时间复杂度为线性阶。 * 语句频度为： 1+2+3+…+n-2=(1+n-2) ×(n-2)/2 =(n-1)(n-2)/2 =（n2-3n+2）/2 ∴时间复杂度为O(n2) 即此算法的时间复杂度为平方阶. 一个算法时间为O(1)的算法，它的基本运算执行的次数是固定的。因此，总的时间由一个常数（即零次多项式）来限界。而一个时间为O(n2)的算法则由一个二次多项式来限界。 * 有的情况下，算法中基本操作重复执行的次数还随问题的输入数据集不同而不同。例如： 最好情况：0次 最坏情况：1+2+3+…+n-1=n(n-1)/2 平均时间复杂度为:O(n2) * 当n取得很大时，指数时间算法和多项式时间算法在所需时间上非常悬殊。因此，只要有人能将现有指数时间算法中的任何一个算法化简为多项式时间算法，那就取得了一个伟大的成就。 一般情况下，随n的增大，Tn的增长较慢的算法为最优的算法。 * 这两个式子表示，当n足够大时T1(n)优于T2(n)，因为前者的常数因子小于后者 * 关于算法的存储空间需求，类似于算法的时间复杂度，我们采用空间复杂度作为算法所需存储空间的量度 * * 在用高级程序语言编写的程序中，必须对程序中出现的每个变量、常量或表达式，明确说明它们所属的数据类型。 例如，C 语言中提供的数据类型：基本类型和 构造类型 基本数据类型有:整型 、浮点型 、双精度型 、字符型 构造类型：数组、结构、联合、指针、枚举型、自定义 不同类型的变量，其所能取的值的范围不同，所能进行的操作不同。 按“值”是否可分解，可将数据类型划分为两类： （1）原子类型：其值不可分解。通常是由语言直接提供。　　如C语言的整型、字符型等标准类型及指针等简单的导出类型； （2）结构类型：其值可分解为若干个成分（或称为分量）,是用户借助于语言提供的描述机制自己定义的，它通常是由标准类型派生的，故它也是一种导出类型。 如C的数组、结构等类型。 * * 例２、 {++x;s=0;} 例３、for(i=1;i=n;++i) {++x;s+=x;} 例４、for(i=1;i=n;++i) 　　　　for(j=1;j=n;++j) {++x;s+=x;} * * 例５ for(i=2;i=n;++i) for(j=2;j=i-1;++j) { ++x; a[i，j]=x; } * * 例6：Void bubble-sort(int a[]，int n) for(i=n-1,change=TURE;i=1 change;--i) { change=false; for(j=0;ji;++j) if (a[j]a[j+1]) { a[j] ←→a[j+1]; change=TURE} } * * 以下六种计算算法时间的多项式是最常用的。其关系为： O(1)O(logn)O(n)O(nlogn) O(n2)O(n3) 指数时间的关系为： O(2n)O(n!)O(nn) * * 有时为了比较两个同数量级算法的优劣，须突出主项的常数因子，而将低次项用大“O”记号表示。例如，设 T1(n)=1.39nlgn+100n+256 =1.39nlgn+O(n), T2(n)=2.0nlgn-2n