算法设计与分析-四川农业大学课程学习平台.pptVIP

1.2 算法复杂性分析基础 Θ的定义 Θ(g(n))={f(n) | 如果存在正常数c1、c2和正整数n0，使得当n≥n0时，0c1g(n) ≤ f(n)≤c2g(n)恒成立} 也就是说，t(n)的上界O和下界Ω都由g(n)的常数倍决定。此时称 f(N) 与 g(N) 同阶。 n0 N0之前的情况无关紧要。 t(n) c1·g(n) 对于所有n≥n0 c2·g(n)≤t(n)≥c1·g(n) c2·g(n) 1.2 算法复杂性分析基础 o的定义 o(g(n))={f(n) | 对任意正常数c(不是可以有)，存在正整数n0，使得当n=n0时，0=f(n)=cg(n)恒成立} 例如，4NlOgN+7=o(3N2+4NlOgN+7)。 ?的定义 ? (g(n)) = { f(n)|对于任何正常数c，存在正数和n0 0使得对所有n≥n0 有：0≤cg(n)＜f(n) } 等价于 f(n)/g(n)??，as n??。 f(n) ? ?(g(n)) ? g(n) ? O(f(n)) 1.2 算法复杂性分析基础 渐近分析记号的若干性质 (1)传递性： f(n)=θ(g(n))，g(n)=θ(h(n)) → f(n)=θ(h(n))； f(n)=O(g(n))，g(n)=O(h(n)) → f(n)=O(h(n))； f(n)=Ω(g(n))，g(n)=Ω(h(n)) → f(n)=Ω(h(n))； f(n)=O(g(n))，g(n)=O(h(n)) → f(n)=O(h(n))； f(n)=ω(g(n))，g(n)=ω(h(n)) → f(n)=ω(h(n))； (2)反身性： f(n)=θ(f(n))； f(n)=O(f(n))； f(n)=Ω(f(n)) 1.2 算法复杂性分析基础 (3)对称性： f(n)=θ(g(n)) == g(n)=θ(f(n)) . (4)互对称性： f(n)=O(g(n)) == g(n)=Ω(f(n)) ； f(n)=O(g(n)) == g(n)=ω(f(n)) ； (5)算术运算： O(f(n))+O(g(n)) = O(max{f(n),g(n)}) O(f(n))+O(g(n)) = O(f(n)+g(n)) O(f(n))*O(g(n)) = O(f(n)*g(n)) O(cf(n)) = O(f(n)) g(n) = O(f(n)) → O(f(n))+O(g(n)) = O(f(n)) 1.2 算法复杂性分析基础 取整函数 ? x ? ：向下取整，不大于x的最大整数； ? x ? ：向上取整，不小于x的最小整数。 取整函数的若干性质 x-1 ? x ? ? x ? ? x ? x+1； ? n/2 ? + ? n/2 ? = n; 对于n ? 0，a,b0，有： ? ? n/a ? /b ? = ? n/ab ? ; ? ? n/a ? /b ? = ? n/ab ? ; ? a/b ? ? (a+(b-1))/b; ? a/b ? ? (a-(b-1))/b; 其中，f(x)= ? x ? , g(x)= ? x ? 为单调递增函数。 1.2 算法复杂性分析基础 常见的时间复杂度 随着问题规模n的不断增大，时间复杂度不断增大，算法的执行效率越低。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) 1.2 算法复杂性分析基础 O(1) 表示算法的运行时间为常量，与规模无关。 O(log2n)二分查找算法 O(n) 表示该算法是线性算法。 O(n2) 对数组进行排序的各种简单算法，例如直接插入排序的算法。 O(n3) 做两个n阶矩阵的乘法运算 O(2n) 求具有n个元素集合的所有子集的算法 O(n!) 求具有N个元素的全排列的算法 小规模数据复杂性增长图 中等规模数据复杂性增长图 1.2 算法复杂性分析基础 1.2.3 算法的空间复杂性 两种占用 存储程序和输入数据的空间 存储中间结果或操作单元所占用空间——额外空间 影响空间的主要因素 存储程序的空间一般是常数(和输入规模无关) 输入数据空间为输入规模O(n) 空间复杂性考虑的是额外空间的大小，如果额外空间相对于输入规模是常数，称为原地工作的算法。 定义方法和时间复杂性类似。 1.2 算法复杂性分析基础 1.2.4 算法分析的基本原则 1 正确性 在给定有效输入后，算法经过有限时间的计算并产生正确的答案，就称算法是正确的。 正确性证明的内容： 方法的正确性证明 算法思路的正确性。证明一系列与算法的工作对象有关的