第2篇 算法效率分析基础.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 3 二阶常系数线性递推式 形式：ax(n)+bx(n-1)+cx(n-2)=f(n) a,b,c是实数，a不为0 f(n)=0 齐次递推式 * ax(n)+bx(n-1)+cx(n-2)=0的特征方程ar2+br+c=0 定理1 设r1，r2是特征方程的两个根 第一种情况：如果r1和r2是不等的实根 第二种情况：r1和r2相等 第三种情况：r1和r2是两个不相等的复数 * 例子，斐波那契数算法1时间效率递归式的计算 当n1时，A(n)=A(n-1)+A(n-2)+1 A(0)=0 , A(1)=0 改写[A(n)+1]-[A(n-1)+1]-[A(n-2)+1]=0 替换B(n)=A(n)+1 B(n)-B(n-1)-B(n-2)=0 B(0)=1 , B(1)=1 则 特征方程是 r2-r-1=0 根为 前面第1种情况 * αβ两值的计算依赖于B(n)的初始值B(0)=1 , B(1)=1 最后得 * 算法分析中的常见递推类型 减一法: T(n)=T(n-1)+f(n) 减常因子： T(n)=T(n/b)+f(n) 分治法： T(n)=aT(n/b)+f(n) * 2.6 算法的经验分析 很多貌似简单的算法很难用数学的精确性和严格性来分析 经验分析 * 通用方案 1、了解实验的目的 2、决定用来度量效率的量度和单位 3、决定输入样本的特性 4、为实验准备算法的程序 5、生成输入样本 6、对样本运行算法，记录实验结果 7、分析获得的实验数据（如用散点图） * 2.7 算法可视法 用图形传达算法的一些有用信息 【1】如果算法的执行时间不随着问题规模n的增加而增长，即使算法中有上千条语句，其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。 x=91; y=100;while(y0) if(x100) {x=x-10;y--;} else x++; * 解答： T(n)=O(1)，这个程序看起来有点吓人，总共循环运行了1000次，但是我们看到n没有?没。这段程序的运行是和n无关的，就算它再循环一万年，我们也不管他，只是一个常数阶的函数 【2】当有若干个循环语句时，算法的时间复杂度是由嵌套层数最多的循环语句中最内层语句的频度f(n)决定的。 ?x=1;? for(i=1;i=n;i++)? ? ? ? ? for(j=1;j=i;j++) ? ? ? ? ? ?for(k=1;k=j;k++) ?? ? ? ? ? ? ? x++; 　　 * 该程序段中频度最大的语句是(5)，内循环的执行次数虽然与问题规模n没有直接关系，但是却与外层循环的变量取值有关，而最外层循环的次数直接与n有关，因此可以从内层循环向外层分析语句(5)的执行次数：??则该程序段的时间复杂度为T(n)=O(n3/6+低次项)=O(n3) 【3】算法的时间复杂度不仅仅依赖于问题的规模，还与输入实例的初始状态有关。 在数值A[0..n-1]中查找给定值K的算法大致如下：??? i=n-1; ? ? ? ? ? ? while(i=0(A[i]!=k))?? ? ?? ? ? ? i--; ? ? ? ? return i;???????? * 此算法中的语句(3)的频度不仅与问题规模n有关，还与输入实例中A的各元素取值及K的取值有关: ①若A中没有与K相等的元素，则语句(3)的频度f(n)=n； ②若A的最后一个 * * * * * * * * * * * * * * * * * * * * * * 第三步： 检查基本操作的执行次数是否只依赖输入规模： 比较次数相同 MaxElement(A[0..n-1]) //求给定数组中最大元素的值 //输入：实数数组A[0..n-1] //输出:A中最大元素的值 maxval←A[0]； for i←1 to n-1 do if A[i]maxval maxval←A[i]； return maxval * 第四步： 建立一个算法基本操作执行次数的求和表达式： MaxElement(A[0..n-1]) //求给定数组中最大元素的值 //输入：实数数组A[0..n-1] //输出:A中最大元素