演算法的复杂度.pptVIP

演算法的效率分析 演算法的效率分析 什麼是有效率的演算法？電腦學家為此衡量準則提供了客觀的標準—分析演算法的執行時間和記憶體需求。以時間複雜度或空間複雜度來討論演算法的效率 解決相同的問題，演算法所用的時間複雜度和空間複雜度愈少愈好。 時間複雜度(time complexity)：一個程式或演算法所需的執行時間； 空間複雜度(space complexity)：一個程式或演算法所需的記憶體空間。 演算法的執行次數 程式1-4 陣列元素加總 int Sum(int data[],int n) { int summation=0; for (int i=0; in; i++) summation += data[i]; return summation; } 程式1-5 陣列元素加總並計算所有指令執行的次數 int count = 0; // 全域變數宣告 count++; // 計算宣告 int 指令的執行 int Sum(int data[],int n) { int summation=0; count++; // 計算宣告 int 指令的執行 for (int i=0; in; i++) { count++; // 計算 for 指令的執行次數 summation += data[i]; count++; // 計算 = 指令的執行次數; } count++; // 計算最後一次 for 指令的執行 count++; // 計算 return 指令的執行 return summation; } 演算法的執行次數(續) 程式1-6 計算陣列元素加總所有指令執行的次數 count++; int Sum(int data[],int n) { count++; // 計算宣告 int 指令的執行 for (int i=0; in; i++) count += 2 count += 2; } 程式1-6 只保留程式1-5 的主體和加總count 的指令。 此程式的執行總次數為2n+4，其中 for 迴圈每執行一次，count會計數兩次；而迴圈共計有n次，所以for迴圈內即執行2n 次。 演算法複雜度的表示方法：O、Ω 和Θ 假設有兩個演算法都可解決問題P，其輸入資料量為n；演算法 A 的估算執行次數為 4n2+174，演算法 B 的估算執行次數為 n3+5n+6。(見下圖) 演算法複雜度的表示方法：O、Ω 和Θ 精確計算演算法的執行步驟或時間的工作過於繁瑣。 電腦處理的是大量的資料。 我們比較關心：資料量大的時候，演算法是否夠好。 精簡的方法分析：演算法的複雜度：O ，「Big Ｏ」「大Ｏ」問題的複雜度：Ω最佳演算法： Θ 用大O表示時間複雜度 定義：f (n)=O (g (n)) 若且唯若存在兩個正整數c和n0，當n?n0時，f (n) ? c?g (n)。 f(n)指的是演算法的執行時間（步驟），我們希望能找到g(n)；只要在n?n0後，c?g(n)一定會大於或等於f(n)，那麼就可以用O(g(n))來表示f(n)。 請注意在上圖中，當n ? 14 (=n0) 之後，c?g(n) 一定會大於或等於f(n)（5n2 ? 4n2+174）， 所以O(n2)足以代表4n2+174 。 範例 4n+12 = O(n)，因為存在c=5，n0=12，使得n?12後，4n+12? 5n（或c=6，n0=6，使得n?6後，4n+12 ? 6n）； 10n+25 = O(n)，因為存在c=12，n0=13，使得n?13後，10n+25 ? 12n； 8n2+11n+18 = O(n2)，因為存在c=9，n0=13，使得n?13後，8n2+11n+18 ? 9n2； 6×2n+n2 = O(2n)，因為存在c=7，n0=4，使得n?4後，6×2n+n2? 7×2n； 範例 326 = O(1)，因為存在c=327，n0可任取，使得n? n0後，326 ? 327×1； 9n2+n+11 ? O(n)，因為找不到適當的c和n0，使得n?n0後，9n2+11 ? cn； 100n3 = O(n4)，因為存在c=16，n0=8，使得n?8後，100n3 ?16n4。 以大O表示法分辨演算法的優劣 O(1)稱為常數時間，即不論演法的步驟須需要多少指令，只要不像迴圈般重複執行，皆視為常數時間； O(n)稱為線性時間，取其執行步驟的增加趨勢與n的增加趨勢為線性關係之意； O(n2)為平方時間；依此類推， O(2n)則稱為指數時間。 如此一來，我們會說O(logn)的演算法比O(n)來得有效率，O(n)比O(n2)來得有效率…。