离散数学--过程稿.pptVIP

第二章 算法基础 2.1 Algorithms 算法 2.2 Complexity of Algorithms 算法的复杂性 2.3 The Integers and Division 整数和除法 2.4 Integers and Algorithm 整数和算法 2.5 Applications of Number Theory 数论的应用 2.6 Matrices 矩阵 2.7 Recursion 递归 函数的增长 算法的时间复杂度 算法的复杂度分析 Big-O Notation 大О符号 Growth of Combinations of Functions 函数组合的增长 Big-Omega And Big-Theta 大Ω和大Θ符号 最通用的分析函数增长的符号，即大О符号 【定义1】令f和g为从整数集合或实数集合到实数集合的函数。若有常数C和k，使得只要xk，就有|f(x)| ? C| g(x)|，则称f(x)是О(g(x))。 （ О(g(x))读作f(x) 是大О(g(x))） The function f(x) is O(g(x)) 2）0 ? x2 + 2x + 1 ? x2 + x2 + x2 = 3x2 whenever x2 3) x2可以被函数值大于x2的任何函数取代。 如 f（x）是О(x3), f（x）是O(x2+2x+7) 所以，x2 is О(x2+2x+1). Note: f(x)是О(g(x))而且g(x)是О(f(x))，我们把满足上述两个大O关系的函数f(x)和g(x)称为同阶 Two functions f(x) and g(x) that satisfy both of these big- О relationships are of the same order. 〖Example 2〗 证明 7x2是O(x3). 〖Example 3〗 x3 是 O(7x2)吗？ 要判定x3是否O（7x2），即判断是否存在常数C和k，使得，当xk时，有： x3? C(7x2) 等价于 x? 7C 所以，不存在 C ，使得 x? 7C 即：X3不是О(7X2) 【定理1】令f(x) = anxn + an-1xn-1 +…+ a1x+ a0，其中a0, a1 ,…, an 为实数，那么f(x)是O(xn). 【Theorem1】Let f(x) = anxn + an-1xn-1 +…+ a1x+ a0,where a0, a1 ,…, an are real numbers. Then f(x) is O(xn). Proof: 用三角不等式, if x1 ，我们有 〖Example 4〗 用大O符号估计前n个正整数的和。 〖Example 5〗 给出阶乘函数和阶乘对数的大O估计。 n！=1*2*3…*n≤n*n*…n=nn 所以n！是O（nn） 对不等式两边取对数 logn！ ≤lognn=nlogn logn！是O（nlogn） Common Complexity Functions Growth of Some Common Functions（常用函数增长图） Big-O Notation 大О符号 Growth of Combinations of Functions 函数组合的增长 Big-Omega And Big-Theta 大Ω和大Θ符号 Big-O Notation 大О符号 Growth of Combinations of Functions 函数组合的增长 Big-Omega And Big-Theta 大Ω和大Θ符号 当f(x)=O(g(x))时，g(x)估计f(x)值的一个上限（x充分大时）。 我们使用大Ω符号估计f(x)的下限. 若函数f(x)的规模相对于参照函数g(x)的上限和下限时，使用大Θ符号。 Big-Omega Big-Theta 函数的增长 算法的时间复杂度 算法的复杂度分析 There are two important aspects of the computational complexity of an algorithm: Space Complexity（空间复杂度）: Gives the approximate amount of memory required to solve a problem of size n（解决问题所需的内存空间的大小）. Often tied in with the particular data structu