[文学研究]Course6-数据结构概论.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 算法复杂性分析 算法分析感兴趣的不是具体的资源占用量，而是与具体的平台无关、具体的输入实例无关，且随输入规模增长的值是可预测的 与问题的规模之间的关系，用一定“规模(size)”的数据作为输入时程序运行所需的“基本操作(basic operation) ” 数来描述时间效率。 譬如，如果数据规模n和运行时间t 间存在一个线性的关系，t1= cn，那么数据规模增加5倍后，运行时间也相应地增加同样的倍数，即n2 = 5n, 则t2 = 5t1。 同理，如果t1 = log2n，则 n 的规模加倍意味着时间增加一个单位，即，n2 = 2n， t2 = log 2 ( 2n) = log2n+ 1 = t1 + 1 完成一个“基本操作”所需的时间应该与具体的被操作的数无关 算法的渐进分析 (asymptotic analysis) 简称算法分析 由于算法的复杂性与其所求解的问题规模直接有关，因此通常将问题规模 n 作为一个参照量，求算法的时空开销和 n 的关系 一般这种函数关系都相当复杂，计算时只考虑可以显著影响函数量级的部分，即结果为原函数的一个近似值 对资源开销的一种不精确估计，提供对于算法资源开销进行评估的简单化模型 算法的渐进分析 算法的渐进分析就是要估计，当数据规模 n逐步增大时，资源开销f(n)的增长趋势 得到如此精确的一个界相对比较费时费力，且没有必要 从数量级大小的比较来考虑，当n增大到一定值以后，资源开销的计算公式中影响最大的就是n的幂次最高的项，其他的常数项和低幂次项都是可以忽略的 算法渐进分析：大Ｏ表式法 假设f 和g为从自然数到非负实数集的两个函数 　定义1：如果存在正数c和N，使得对任意的n?N，都有 f(n) ? cg(n)， 则称f(n)在集合O(g(n))中，或简称f(n)是O(g(n))的。 该定义说明了函数 f 和 g 之间的关系：函数g(n) 是函数 f(n) 取值的上限（upper bound），或说函数f的增长最终至多趋同于g的增长 因此，大O表示法提供了一种表达函数增长率上限的方法。 一个函数增长率的上限可能不止一个。譬如，一个在集合O(n)中的函数也一定在集合O(n2)中，同时也在集合O(n3)中，等等。大O表示法给出了所有上限中最“紧”（也即最小）的那个上限 大Ｏ表式法的性质 若符号a是不依赖于n的任意常数 如果函数 f(n) 是O(g(n))的，g(n)是O(h(n))，那么f(n)是O(h(n))的 如果函数f(n)是O(h(n))的，g(n)是O(h(n))，那么f(n) + g(n) 是O(h(n))的 函数ank是O(nk)的 对任何正数 j 而言，函数nk 是O(nk+j)的 若f(n) = cg(n)，则f(n) 是O(g(n))的 对于任何正数a和b，且b?1，函数logan 是O(logbn)的。即，任何对数函数无论底数为何，都具有相同的增长率 对任何正数 a?1，都有logan 是O(lg n)的，其中lg n = log2n 大O表示法的运算规则 单位时间 简单布尔或算术运算 简单I/O 函数返回 加法规则: f1(n)+f2(n)=Ｏ(max(f1(n), f2(n))) 顺序结构，if 结构，switch结构 乘法规则: f1 (n)·f2 (n) =Ｏ(f1(n)·f2 (n)) for, while, do-while结构 #define n 自然数 MATRIXMLT(A，B，C) float A[ ][n]，B[ ] [n]，C [ ][n]； {int i，j，k； (1) for ( i=0；in；i++) (2) for (j=0；jn；j++) (3) {C [i][j]=0 ； (4) for (k=0；kn；k++) (5) C [i][j]= C [i][j]+ A [i][k]*B [k][j] ； } }/* MATRIXMLT */ 例：求两个 n 阶方阵的乘积 C=A×