算法分析2.ppt

第2章 算法效率分析基础 2.1 分析框架 在本节中,我们将概要地描述一个分析算法效率的一般性框架.首先必须指出,有两种算法效率:时间效率和空间效率。时间效率指出正在讨论的算法运行得有多快；空间效率关心算法需要的额外空间。研究实验告诉我们，对于大多数问题来说，我们在速度上能够取得的进展要远大于在空间上的进展，所以我们把主要精力集中在时间效率上。 2.1.1 输入规模的度量 几乎所有的算法，对于规模更大的输入都需要运行更长的时间。例如，需要更多时间来对更长的数组排序，更大的矩阵相乘也需要花费更多时间，等等。所以，使用一个以算法输入规模式n为参数的函数，来研究算法效率是非常合乎逻辑的。 2.1.4 算法的最优、最差和平均效率 一个算法的最差效率是指当输入规模为n时，算法的最坏情况下的效率。这时，相对于其他规模为n的输入，该算法的运行时间最长。 一个算法的最优效率是指当输入规模为n时，算法在最优情况下的效率。这时，与其它规模为n的输入相比，该算法运行得最快。 然而，无论是最差效率分析还是最优效率分析都不能提供一种必要的信息：在“典型”或者“随机”输入的情况下， 一个算法会具有什么样的行为。这正是平均效率试图提供给我们信息。 还有一种类型的效率称为摊销效率。它并不适用于算法的单次运行，而是应用于算法对同样数据结构所执行的一系列操作。 2.1.5 分析框架概要 算法的时间效率和空间效率都用输入规模的函数进行度量。 我们用算法基本操作的执行次数来度量算时间效率。通过计算算法消耗的额外存储单元的数量来度量空间效率。 在输入规模相同的情况下，有些算法的效率会的显著差异。对于这样的算法，我们需要区分最差效率，平均效率和最优效率。 本框架主要关心，当算法的输入规模趋向于无限大的时候，其运行时间（消耗的额外空间）函数的增长次数。 2.2 渐进符号和基本效率类型 2.2.1 非正式的介绍 2.2.2 符号О 定义1 我们把函数t(n)包含在O(g(n)) 中，记作t(n) ∈ O(g(n)) ;它的成立条件是：对于所有足够大的n， t(n) 的上界由g(n)的常数倍数所确定，也就是说，存在大于0的常数c和非负的整数n0，使得： 对于所有的n≥ n0来说， t(n) ≤c g(n) 2.2.3 符号? 定义2 我们把函数t(n)包含在?(g(n))中，记作t(n)∈?(g(n))，它的成立条件是：对于所有足够大的n， t(n)的下界由g(n)的常数倍所确定，也就是说，存在大于0的常数c和非负的整数n0，使得： 对于所有的n≥ n0来说， t(n) ≥c g(n) 2.2.4 符号Θ 定义 3我们把函数t(n)包含在Θ(g(n)) 中，记作t(n) ∈ Θ(g(n)) ;它的成立条件是：对于所有足够大的n， t(n) 的上界、下界都由g(n)的常数倍数所确定，也就是说，存在大于0的常数c1，c2和和非负的整数n0，使得： 对于所有的n≥ n0来说， c2g(n) ≤t(n) ≤ c1g(n) 2.2.5渐进符号的有用特性 定理 如果t1(n) ∈O(g1(n))并且t2(n) ∈O(g2(n))，则 t1(n)+ t2(n)∈O(max{g1(n), g2(n)}) (对于?和Θ符号， 类似的断言也为真) 证明： 见P45。 对于两个连续执行部分组成的算法，应该如何应用这个特性呢？它意味着该算法的整体效率是由具有较大的增长次数的部分所决定的，即它的效率较差的部分. 2.2.6 利用极限比较增长次数 虽然符号O， ?和Θ的正式定义对于证明它们的抽象性质是不可缺少的，但我们很小直接用它们来比较两个特定函数的增长次数。有一种较为简便的比较方法，它是基于对所计论的两个函数的比率求极限。有3种极限情况会发生： 2.2.7基本的效率类型 详细请参考P46 表2.2 关于渐进时间效率： 2.3非递归算法的数学分析 例1 考虑一下从n个元素的列表中查找元素最大值的问题.简单起见,我们假设列表是用数组实现的。下面给出一个解决问题的标准算法的伪代码。 算法 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]