数据结构第二章精选.ppt

1.5 算法分析的基本方法 手柄转动的次数！ 算法的时间复杂度：程序运行从开始到结束所需的时间 1.5 算法分析的基本方法 程序步： 一个程序步是指在语法上或语义上有意义的程序段，该程序段的执行时间与具体执行环境无关。 1.5.2 算法的时间复杂度 如何度量算法的时间复杂度？ 1.5 算法分析的基本方法 1.5.2 算法的时间复杂度 程序语句 一次执行所需程序步数 执行频度 程序步数 float tempsum=0.0; 1 1 1 for(int i=0;in;i++) 1 n+1 n+1 tempsum+=list[i]; 1 n n return tempsum; 1 1 1 总程序步数 2n+3 Ex: 程序1.3 求一个数组元素的累加之和 float sum(float list[],const int n) { float tempsum=0.0; for(int i=0;in;i++) tempsum+=list[i]; return tempsum; } 1.5 算法分析的基本方法 1.5.3 渐近时间复杂度 大O记号 如果存在两个正常数c和n0，使得对所有的n，n?n0 ，有f(n)? c·g(n)，则有 f(n)=O(g(n))。 定理: 如果 f(n)＝amnm+am-1nm-1+…+a1n+a0 是m次多项式，则 f(n)＝O(nm) 例如，设 T(n)= 3.6n3+2.5n2+2.8?8.9n3 则根据大O记号的定义容易证明 T(n)= O(n3) 1.5 算法分析的基本方法 1.5.3 渐近时间复杂度 渐近时间复杂度 使用大O记号表示的算法的时间复杂度，称为算法的渐近时间复杂度。渐近时间复杂度也常简称为时间复杂度。 例如: O(1)表示常数时间，即算法只需执行有限个程序步。 在大O记号下，可用程序步来估计算法的执行时间。 很多情况下，可以通过考察一个算法中的关键操作的执行次数来计算算法的渐近时间复杂度。 1.5 算法分析的基本方法 1.5.3 渐近时间复杂度 例如，程序1.2为求一个数组元素的累加之和的算法。 float sum(float list[],const int n) { float tempsum=0.0; // 1 for(int i=0;in;i++) // n+1 tempsum+=list[i]; // n return tempsum; // 1 } （1）总的程序步数为2n+3≤5n，则渐近时间复杂度为O(n)。 （2）语句tempsum+=list[i]可认为是关键操作，它的执行次数为n次，则渐近时间复杂度为O(n)。 1.5 算法分析的基本方法 1.5.3 渐近时间复杂度 void Mult(int a[n][n], b[n][n], c[n][n], int n) { // n?n矩阵a与b 相乘得到c。 for (int i=0;in;i++) // n+1 for(int j=0;jn;j++) // n(n+1) { c[i][j]=0; // n2 for (int k=0;kn;k++) // n2（n+1) c[i][j]+=a[i][k]*b[k][j]; // n3 } } //c[i][j]+＝a[i][k]*b[k][j]可看成关键操作 程序步为：2n3 +3n2 + 2n+1 渐近时间复杂度为：T(n)=O(n3) 再看一例： 多项式时间算法 O(1) O(log2n) O(n) O(n·log2n)O(n2) O(n3) 指数时间算法 ： O(2n)O(n!)O(nn) 1.5 算法分析的基本方法 1.5 算法分析的基本方法 1.5 算法分析的基本方法 1.5 算法分析的基本方法 1.5.4 最好、最坏和平均情况时间复杂度 Ex：在一个有n个元素的数组中查找一个指定元素ai。 最好情况：查找1次 最坏情况：查找n次 平均情况：平均查