2015-第2章.pptVIP

sss * * * * 计算机科学学院 王小明 （博士/教授/博士生导师） Email: wangxm@snnu.edu.cn 每节一经典 计算机科学是问题驱动的科学 纯数学是理论驱动的科学 √算法分析的目的 （1）深入准确理解问题本质及可能的求解技术 （2）探讨某种具体算法适用于解决那类问题，或某类问题宜采用哪种算法 √算法评价指标体系 运行时间 存贮空间 易理解 易编码 易调试 易维护 第2章 算法分析基础 √时间复杂度估算 算法执行时间=∑（原操作的执行次数×原操作的执行时间） 语句频度：指该语句重复执行的次数 一个算法中所有语句的频度之和构成了该算法的运行时间。 例1. for(j=1;j=n;j=j+1) for(k=1;k=n;k=k+1) x=x+1 语句 x=x+1,k=n,k=k+1的频度分别是n2; 总频度是：3n2 语句 i=1,k=1的频度分别是1;总频度是：2 语句 j=n,j=j+1的频度分别是n；总频度是：2n 因此，算法运行时间(语句总频度)为：3n2 +2n+2 第2章 算法分析基础 √时间复杂度估算 如果算法比较复杂，通常选择一种对于所研究的问题来说最基本的原操作， 以它在算法中重复执行的次数作为算法运行时间的衡量标准。 这个原操作多数 情况下是最深层次循环体内的语句中的原操作。 例2.2. 矩阵乘法算法：for(i=1;i=n;i=i+1) for(j=1;j=n;j=j+1) {c[i,j]=0； for(k=1;k=n;k=k+1) c[ij]=c[i,j]+a[i,k]*b[i,k]; } 第2讲 算法分析基础 该算法最重要的基本操作是语句 c[I,j]=c[I,j]+a[I,k]*b[I,k] 由于它在三重循环之内，所以它 的频度是n3. 我们称该算法的时间 复杂度是n3, 表示为O(n3). √大O表示法 例2.3 当一个算法的运行时间为表达式3n4+n2+1时，由于当n足够大时， 表达式的值约等于n4,我们说该表达式与n4的数量级相等，称n4为这个算法的 渐近时间复杂度，简称算法的时间复杂度，记作：T(n)=O(n4). 其中，O是Order的首字母，表示数量级。两个表达式f(n)与g(n)的数量 级相等定义如下： 定义2.1 设f(n)和g(n)是一个关于正整数n的函数，如果存在一个常数C,使 极限 则称f(n)和g(n)是相同数量级的函数。 第2讲 算法分析基础 √常用算法时间复杂度表示形式 O(1): 常数级，如 3； O(longn): 对数级，如long 3n；O(n): 线性级 ，如5n; O(nc): 多项式级,如n3; O(cn): 指数级，如2n ; O(n！): 阶乘级,如 3n! 以上时间复杂度的大小排列如图所示。 对复杂算法，可以把它分隔成容易估 算的几个部分，然后再利用O的求和 原则得到算法总的时间复杂度。 T(n)=T1(n)+ T2(n)+…+ Tm(n) =O(max(f1(n), f2(n),…, fm(n))) 第2讲 算法分析基础 √算法时间复杂度上、下界 复杂度上、下界是用来估计解决某个问题所需资源（时间、空间）的复杂程度的 界限函数。注意：算法复杂度与问题复杂度的区别。如果找到解决某问题的算法 ，算法复杂度为u(n),则u(n)是问题本身复杂度的一个上界。如果对解决某个问 题的所有算法而言， 算法复杂度均大于l(n),则l(n)是该问题复杂度的一个下界。 算法所需的时间总量的上界(最大值)用符号O表示，定义为： 定义2.2 设f(n)和g(n)是一个关于正整数n的函数，如果存在两个正整数c和n0,对 于所有的n≥n0,有|f(n)|≤c|g(n)|,则记作 f(n)=O(g(n))。 算法所需的时间总量的下界（最小值）用符号Ω表示，定义为： 定义2.3 设f(n)和g(n)是一个关于正整数n的函数，如果存在两个正整数c和n0,对 于所有的n≥n0,有|f(n)|≥c|g(n)|,则记作 f(n)=Ω(g(n))。 第2讲 算法分析基础 √小o和?表示法 定义2.4 设f(n)和g(n)是一个关于正整数n的函数，当