数学建模常用技巧2是010717.pptVIP

谢谢！ 数学建模---常用技巧 常用技巧 计算复杂性分析 算法设计 精确算法 近似算法 算法计算量估计、算法优劣比较 比较算法的好坏，从不同的角度出发，有各种不同的标准。在这里，我们仅就算法的计算速度作一个十分粗略的比较。 例1 （整理问题）给定n个实数a1, a2,…, an，要求将它整理成由小到大排列（或由大到小排列）的顺序：b1, b2,…, bn，b1≤ b2≤…≤ bn。 （算法1） 取出a1, a2,…, an中的最小者，令其为b1。从a1, a2,…, an中去除b1，在余下的n—1个数中选出最小者，令其为b2，…，直至得到b1, b2,…, bn。 容易看出，为了排出b1, b2,…, bn，算进行了 n(n-1)/2 次比较。 （算法2） 步0 b1←a1 步1 设已有b1,…,bk (1≤kn)，将按两分法比较的方式把ak+1排入其中：若b1≤…≤bi≤ak+1≤bi+1≤…≤bk，令（b1, b2,…,bk , bk+1）←（b1,…, bi, ak+1, bi+1, …, bk）。若k+1n，令k ← k+1，返回步1。 计算复杂性 我们来分析一下算法2的计算量： 排出b1不必作比较，排出b2只需作一次比较，…，一般，在排ak+1时，设2r－1≤k＜2r，则只需作r次比较即可将ak+1安排在它应排的位置上。例如在排a8时，k=7，先和b4比，若a8b4，可再和b6比（若a8b4则和b2比），易见，只要比3次即可排入a8，由于r≤log2k+1，算法的比较次数不超过 令 ， ，设计算机每秒可作C次比较，则算法1与算法2整理a1, a2,…, an所用的时间分别为 若n=100万，C=100万次/秒，则t1≈5.8天，而t2≈20秒。可见在较大规模的整理问题时，算法2明显优于算法1。 现设一台每小时能作M次运算的计算机，并设求解某一问题已有了两个不同的算法。算法A对规模为n的实例约需作n2次运算而算法B则约需作2n次运算。于是，运用算法A在一小时内可解一个规模为 的实例，而算法B则只能解一个规模为log2M的实例。两者的差别究竟有多大呢？让我们来对比一下。假如计算机每秒可作100万次运算，则算法A一小时大约可解一个规模为n=60000的实例，而算法B在一小时内只能解一个规模 的实例且n每增加1，算法B求解时所化的时间就将增加1倍。例如算法B求解一个n=50的实例将连续运算357年多。 现设计算速度提高了 100倍，这对计算机来讲已是一个相当大的改进。此时算法A可解问题的规模增大了10倍，而算法B可解问题的规模只增加了log21007。前者可解问题的规模成倍成倍地增加而后者则几乎没有什么改变，今天无法求解的问题将来也很少有希望解决。 由于这一原因，人们对算法作了如下的分类： （多项式算法）设A是求解某一问题D的一个算法，对D的一个规模为n的实例，用fA(D,n)表示用算法A求解这一实例所作的初等运算的次数。若存在一个多项式P(n)和一个正整数N，当n≥N时总有 fA(D,n)≤P(n)（不论求解D的怎样的实例，只要其规模为n），则称算法A为求解问题D的一个多项式时间算法，简称多项式算法。 （指数算法）设B是求解某一问题D的一个算法，f B(D,n)为用算法B求解D的一个规模为n的实例时所用的初等运算次数，若存在一个常数k0，对任意正整数N，总可找到一个大于N的正整数n及D的一个规模为n的实例，对这一实例有fB(D,n)=O (2^kn)，则称B为求解问题D的一个指数算法。 多项式算法被称为是“好”的算法即所谓有效算法，而指数算法则一般被认为是“坏”算法，因为它只能求解规模极小的实例。 下面的表1列出了在规模大约为n时各类算法的计算量，而表2则反映了当计算机速度提高10倍、100倍时，各类算法在1小时内可求解的问题的模型的增长情况，（前三个是多项式时间的，后两个是指数时间的） 表1 几个多项式和指数时间复杂性函数增长情况 算法要求的计算量 规模n的近似值 10 100 1000 n 10 100 1000 nlogn 33 664 9966 n3 103 106 109 2n 1024 1.27×1030 1.05×10301 n! 3628800 10158 4×102567 表2 1小时内可解的问题实例的规模 算法要求的计算量 用现在计算机 用快10倍计算机 用快100倍计算机 n N1 10N1 100N1 nlogn N2 8.2N2 67N2 n3 N3 2.15N3 4