算法复杂度和问题求解.pptVIP

算法复杂度与问题求解 算法复杂度问题： 一般是指问题随规模的增长算法所需消耗的运算时间和内存空间的增长趋势。 因此不考虑计算机本身硬件的特质，一般也忽略算法所消耗的与问题规模无关的固定量的计算与空间。 如何描述增长趋势的高低？ 不考虑不变量： C + f(n) ? f(n) 忽略不能与时俱进的因素 k * f(n) ? f(n) 区分同类型的增长方式的不同量级 f(n) = nk ? f(n) = nk+c 专注增长趋势中最本质的区别 C ? log n ? n ? nk ? kn (k 1) 算法复杂度的考察方法 考察一个算法的复杂度，一般考察的是当问题复杂度n的增加时，运算所需时间、空间代价f(n)的上下界。（Asymptotic upper or lower bound） 进一步而言，又分为最好情况、平均情况、最坏情况三种情况。通常最坏情况往往是我们最关注的。 算法复杂度的上界（大O表示法） 大O表示法是用一个函数f(n)来描写算法复杂度的上界的表示方式。记为：O（f(n)） 大Θ表示法 如果能同时找到算法复杂度的上下确界函数g(n)，f(n)。 且g(n) = f(n)，则算法复杂度能更精确的表达为Θ(f(n)) Bubble sort 算法复杂度的优化（fibonacci数列问题） 刚开始（零年）1对 一年后1对 二年后2对 三年后3对 … 今年的兔子对数 = 前年已经有的兔子总数 + 去年的兔子数 采用展开递推公式的方法 从fib(n)开始，自顶向下逐层展开。 直到fib(0) 或 fib(1)为止。 然后逐层计算上去。 递归算法的运算复杂度分析 T(n) = T(n-1) + T(n-2) +1 T(1) = T(0) = 1 使用双子星递归函数实现该算法： Fibonacci 数列的通项公式 Recursive powering（递归乘方法） Fibonacci 数列算法的优化 参考阅读：MIT教程第三讲 T(n) = O ( 1.618n) = O( n ) = O( logn ) 算法设计技术 贪心法：试图通过局部最优达到全局最优 分治法：划分成小问题，各个求解 回溯法：对多种可能性逐步试探，失败时回来选其它可能性 动态规划法：多路经的求解方式 分枝界限法：上下界+广度优先 算法与问题求解 问题： 为贫困地区儿童募捐： 10，000元。 解决方案： A：向遇到的每一个人尽可能的鼓动募捐，直到完成任务。 B：鼓动10个朋友，每人去… 募捐1000元。 鼓动10个朋友，每人去… 募捐100元… 鼓动10个朋友，每人捐10元。 分治算法要点： 要能够确定可以解决的 简单问题(base case) 要能够找到分解化简（recursive decomposition）问题的方法 例子2：求阶乘 设计递归算法的思考要点： Begin by checking for simple cases? Solved the simple cases correctly? Recursive decomposition make the problem easier? Can the process eventually reach the simple cases? 交通信号灯问题（贪心法） 问题求解分析（续） 从任意一个可通行线路开始，只要与该线路不冲突的线路都尽可能的归进一组。 节点表示通道，连线表示冲突 分析—分组 多种组合，如下是一种可能的组合（解）： 绿 AB AC AD BA DC ED 蓝 BC BD EA 红 DA DB 紫 EB EC 两个问题： 如何表示节点集和边集？（数据结构） 如何实现分组？（算法） 算法的设计与实现 对集合和图的操作: 判断一个集合是否为空: issetempty(V1); 置一个集合为空: emptyset(NEW); 从集合中去掉一个元素: removefromset(V1,v); 向集合里增加一个元素: addtoset(NEW,v); 检查结点v与结点集合中各结点之间在图G中是 否有边连