第1篇 数据结构-绪论-jy.pptVIP

1.3.1 算法的定义及特性 算法定义：一个有穷的指令集，这些指令为解决某一特定任务规定了一个运算序列。 1.3 算法和算法分析 算法的特性： 输入 有0个或多个输入 输出 有一个或多个输出(处理结果) 确定性 每步定义都是确切、无歧义的 有穷性 算法应在执行有穷步后结束 有效性 每一条运算应足够基本 自然语言 流程图 程序设计语言 伪码 算法的描述： 1.3.2 评价算法优劣的基本标准 正确性 可读性 健壮性 高效性（时间代价和空间代价） 通常有两种衡量算法效率的方法: 事后统计法 事前分析估算法 缺点：1. 必须执行程序 2. 其它因素掩盖算法本质 优点：可以预先比较各种算法，以便 均衡利弊从中选优。 1.3.3 算法的时间复杂度 和算法执行时间相关的因素： 1．算法选用的策略 2．问题的规模 3．编写程序的语言 4．编译程序产生的机器代码的质量 5．计算机执行指令的速度 算法选用的策略 问题的规模 可见，用绝对时间单位衡量算法的效率是不合适的。 算法的执行时间 = 该算法中所有语句的频度之和。 如何估算算法的时间复杂度？ 语句频度：一条语句的重复执行次数。 假设：每条语句执行一次的时间均为单位时间。 例一 两个矩阵相乘 void mult(int a[], int b[], int c[] ) {// 以二维数组存储矩阵元素，c 为 a 和 b 的乘积 for (i=1; i=n; ++i) //频度为n+1 for (j=1; j=n; ++j) //频度为n(n+1) { c[i,j] = 0; for (k=1; k=n; ++k) //频度为n2(n+1) c[i,j] += a[i,k] * b[k,j]; //频度为n3 } //for } //mult 时间复杂度: T(n)=2n3+3 n2+2n+1 for for for * 算法的时间复杂度T(n)是问题规模n的函数。 问题的规模:算法求解问题的输入量。 一般用n表示。 问题的规模对不同问题的含义不同，如： 在n*n矩阵乘法运算问题中，问题规模为n。 在具有n个元素的线性表的排序问题中， 问题规模为n。 算法的渐进时间复杂度 n*n矩阵乘法运算算法: T(n)=2n3+3 n2+2n+1 即，当n充分大时，T(n)与n3同阶。 此时可记作，T(n)=O(n3) 在这里，用O表示数量级。 算法的渐进时间复杂度：当问题的规模n趋向无穷大时，T(n)的数量级称为算法的渐进时间复杂度, 记作T(n)=O(f(n))。 其中的f(n)一般是算法的最大语句频度。 for( i = 0; i n; i++) for( j = 0; j n; j++) c[i][j] = a[i][j] + b[i][j]; 最大语句频度： n*n 时间复杂度: T( n ) = O ( n 2) 例 二 两个矩阵加法 最深层循环内 语句频度 例 三 变量计数 (1) x = 0; y = 0; (2) for ( int k = 0; k n; k ++ ) (3) x ++; (4) for ( int i = 0; i n; i++ ) (5) for ( int j = 0; j n; j++ ) (6) y ++; T1(n) = O(1) T2(n) = O(n) T3(n) = O(n2) 最大语句频度： n*n 时间复杂度:T(n) = O(n2) 最深层循环内 语句频度 回顾例1：N×N矩阵相乘 for(i=1;i=n;i++) for(j=1;j=n;j++) {c[i][j]=0; for(k=1;k=n;k++) c[i][j]=c[i][j]+a[i][k]*b[k][j]; } 算法中的基本操作语句为 c[i][j]=c[i][j]+a[i][k]*b[k][j]; * x=1; for( i=1; i=n; i++) for (j=1; j=i; j++) for (k=1; k=j; k++) 　　　　x=x+1