chapter 4 算法的度量.ppt

算法 算法的度量及分析 经典算法 * 算法度量及分析 衡量算法的有效性： 一个是时间效率，即算法处理数据时所花费的时间，用时间复杂度来表示； 一个是空间效率，即算法所需求的存储量的大小，用空间复杂度来表示。 1.时间复杂度分析 事后统计法：编制一个程序实现这个算法，然后输入不同的数据运行这个程序，测定该程序运行的时间。 事前分析法：不上机运行依算法编制的程序，而是分析影响算法执行时间的各种因素，从而估算出算法执行的时间。 * 一般用算法中语句被执行的次数来表示算法的时间效率（算法的时间复杂度）。 【例】求1＋2＋3＋…＋n的算法，分析算法的时间复杂度 int Sum(int n){ (1) int i,sum=0; (2) for(i=0;in;i++) (3) sum=sum+i; (4) return sum; } 解：语句1被执行了1次，语句2被执行了2n+2次，语句3被执行了n次，语句4被执行了1次。因此，该算法执行的时间复杂度为： T(n)=3n+4，且T(n)是n数量级的。 * 【例】求1＋2＋3＋…＋n的另一个算法，试分析算法的时间复杂度。 int Sum2(int n){ (1) int sum=0; (2) sum=(1+n)*n/2; (3) return sum;} 解： 语句1被执行了1次，语句2被执行了1次，语句3被执行了1次。因此，该算法执行的时间复杂度为： T(n)=3 且T(n)是常量级的。 * 渐进时间复杂度：忽略一些次要语句的执行次数，只对那些重要的语句（有人称为原操作）和执行最频繁的语句进行计数，同时对计算结果中的次要项也予以忽略，只保留主要项，给出数量级。 渐近时间复杂度通常用“O”表示法来表示。 其中“O”表示随问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，或者说，用“O”符号表示数量级的概念。 如果一个算法没有循环语句，则算法中基本操作的执行频度与问题规模n无关，记作O(1)，也称为常数阶。 如果算法只有一个一重循环，则算法的基本操作的执行频度与问题规模n呈线性增大关系，记作O（n），也叫线性阶。常用的还有平方阶O（n2）、立方阶O（n3）、对数阶O(log2n)等。 * 在各种不同算法中，若算法中语句执行次数为一个常数，则时间复杂度为O(1),另外，在时间频度不相同时，时间复杂度有可能相同，如T(n)=n2+3n+4与T(n)=4n2+2n+1它们的频度不同，但时间复杂度相同，都为O(n2)。 按数量级递增排列，常见的时间复杂度有：常数阶O(1),对数阶O(log2n),线性阶O(n),线性对数阶O(nlog2n),平方阶O(n2)，立方阶O(n3),...,k次方阶O(nk),指数阶O(2n)。随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低。 * * 常见的时间复杂度 （1）常量阶 算法的时间复杂度为常量，它不随问题规模n的大小而改变。记为T(n)=O(1)。 【例】求以下算法的时间复杂度。 void print() { int x=30; x++; printf(%d,x); } （1）线性阶 【例】 分析以下程序的时间复杂度。x=n; /*n1*/y=0;while(y x){y=y+1; ①}解：这是一重循环的程序，while循环的循环次数为n，所以，该程序段中语句①的频度是n，则程序段的时间复杂度是T(n)=O（n）。 （3）平方阶 【例】 分析以下程序的时间复杂度。for(i=1；in；++i) {for(j=0；jn；++j){A[i][j]=i*j; ①}}解：这是二重循环的程序，外层for循环的循环次数是n，内层for循环的循环次数为n，所以，该程序段中语句①的频度为n*n，则程序段的时间复杂度为T(n)=O（n2）。 （4）对数阶 【例】 分析以下程序的时间复杂度。x=n; /*n1*/y=1;while(yx){y=y*2; ①}解：这是一重循环的程序，while循环的循环次数为log2n ，所以，该程序段中语句①的频度是log2n ，则程序段的时间复杂度是T(n)=O（log2n）。 （5）立方阶 【例】 分析以下程序的时间复杂度。for(i=0;in;i++){for(j=0;jn;j++){for(k=0;kn;k++){c[i][j]=c[i][j]+a[i][k]＊b[k][