算法第2章研讨.ppt

分析：如果n=1即只有一个元素，则只要比较这个元素和x就可以确定x是否在表中。因此这个问题满足分治法的第一个适用条件 分析：比较x和a的中间元素a[mid]，若x=a[mid]，则x在L中的位置就是mid；如果xa[mid]，由于a是递增排序的，因此假如x在a中的话，x必然排在a[mid]的前面，所以我们只要在a[mid]的前面查找x即可；如果xa[i]，同理我们只要在a[mid]的后面查找x即可。无论是在前面还是后面查找x，其方法都和在a中查找x一样，只不过是查找的规模缩小了。这就说明了此问题满足分治法的第二个和第三个适用条件。 分析：很显然此问题分解出的子问题相互独立，即在a[i]的前面或后面查找x是独立的子问题，因此满足分治法的第四个适用条件。 二分搜索技术 给定已按升序排好序的n个元素a[0:n-1]，现要在这n个元素中找出一特定元素x。 分析： 该问题的规模缩小到一定的程度就可以容易地解决； 该问题可以分解为若干个规模较小的相同问题; 分解出的子问题的解可以合并为原问题的解； 分解出的各个子问题是相互独立的。 二分搜索技术 给定已按升序排好序的n个元素a[0:n-1]，现要在这n个元素中找出一特定元素x。 据此容易设计出二分搜索算法： templateclass Type int BinarySearch(Type a[], const Type x, int l, int r) { while (r = l){ int m = (l+r)/2; if (x == a[m]) return m; if (x a[m]) r = m-1; else l = m+1; } return -1; } 算法复杂度分析： 每执行一次算法的while循环， 待搜索数组的大小减少一半。因此，在最坏情况下，while循环被执行了O(logn) 次。循环体内运算需要O(1) 时间，因此整个算法在最坏情况下的计算时间复杂性为O(logn) 。 大整数的乘法 请设计一个有效的算法，可以进行两个n位大整数的乘法运算 小学的方法：O(n2) ?效率太低 分治法: X = Y = X = a 2n/2 + b Y = c 2n/2 + d XY = ac 2n + (ad+bc) 2n/2 + bd a b c d 复杂度分析 T(n)=O(n2) ?没有改进 大整数的乘法 请设计一个有效的算法，可以进行两个n位大整数的乘法运算 小学的方法：O(n2) ?效率太低 分治法: XY = ac 2n + (ad+bc) 2n/2 + bd 为了降低时间复杂度，必须减少乘法的次数。 XY = ac 2n + ((a-b)(d-c)+ac+bd) 2n/2 + bd XY = ac 2n + ((a+b)(c+d)-ac-bd) 2n/2 + bd 复杂度分析 T(n)=O(nlog3) =O(n1.59)?较大的改进 细节问题：两个XY的复杂度都是O(nlog3)，但考虑到a+c,b+d可能得到m+1位的结果，使问题的规模变大，故不选择第2种方案。 大整数的乘法 请设计一个有效的算法，可以进行两个n位大整数的乘法运算 小学的方法：O(n2) ?效率太低 分治法: O(n1.59) ?较大的改进 更快的方法?? 如果将大整数分成更多段，用更复杂的方式把它们组合起来，将有可能得到更优的算法。 最终的，这个思想导致了快速傅利叶变换(Fast Fourier Transform)的产生。该方法也可以看作是一个复杂的分治算法。 Strassen矩阵乘法 A和B的乘积矩阵C中的元素C[i,j]定义为:　 若依此定义来计算A和B的乘积矩阵C，则每计算C的一个元素C[i][j]，需要做n次乘法和n-1次加法。因此，算出矩阵C的 个元素所需的计算时间为O(n3) 传统方法：O(n3) Strassen矩阵乘法 使用与上例类似的技术，将矩阵A，B和C中每一矩阵都分块成4个大小相等的子矩阵。由此可将方程C=AB重写为： 传统方法：O(n3) 分治法: 由此可得： 复杂度分析 T(n)=O(n3) Strassen矩阵乘法 传统方法：O(n3) 分治法: 为了降低时间复杂度，必须减少乘法的次数。 复杂度分析 T(n)=O(nlog7) =O(n2.81)?较大的改进 Strassen矩阵乘法 传统方法：