算法设计与分析(第二章).pptVIP

算法设计与分析 主讲人：张晓玲 第二章 算法效率分析基础 不是所有能计算的都有价值，不是所有有价值的都能被计算。 ------阿尔伯特.爱因斯坦(1879-1955) 2.1 分析框架 算法分析（Algorithm Analysis）：对算法所需要的两种计算机资源——时间和空间进行估算 时间效率 ---指出正在讨论的算法有多快。 空间效率 ---算法需要的额外的空间。 2.1.1 输入规模的度量 几乎所有的算法，对于规模更大的输入都需要运行更长的时间。所以，研究算法的效率的时候，把它作为一个以算法输入规模n为参数的函数是非常合乎逻辑的。 选择什么为参数？？ 例如： 1、对于排序、查找、寻找列表的最小元素以及大多数和列表有关的问题来说，这个参数就是列表的长度。 2、对n次多项式p(x)=anxn+…+a0求值的问题来说，这个参数就是多项式的次数，或者是它系数的个数。 在有些情况下,选择哪一个参数表示输入规模是有差别的. 例如：计算两个n阶矩阵的乘积。 输入规模的度量有两种方法： 一、用矩阵的阶n; 二、参加乘法运算的矩阵中所有元素的个数。 （不同的参数求得的算法效率结果在性质上是有差别的） 如何恰当的选择输入规模的度量参数，还要受到所讨论算法的操作的细节影响。 例如：对于一个拼写检查算法，我们如何度量其输入规模呢？ 取决于：算法是对输入的每一个独立字符都要做检查还是以词为单位来做检查？ 2.1.2 运行时间的度量单位 算法中最重要的操作,既基本操作,它们对总运行时间的贡献最大。 基本操作的执行次数作为算法的运行时间的度量。 如何确定基本操作? 一个算法的基本操作通常是算法最内层循环中最费时的操作。 例如：大多数排序算法是通过比较列表中的待排序元素(键)来进行工作的,对于这种算法来说,基本操作就是对键的比较. 矩阵的乘法算法和多项式的求值算法需要做两种算术运算:乘法和加法.在大多数计算机上,两个数的乘法比加法更耗时,所以,毫无疑问,我们应该选择乘法运算作为基本操作. 算法时间效率的分析框架的应用 假设Cop为特定计算机上一个基本操作的执行时间，而C(n)是该算法需要执行基本操作的次数。然后，对运行在那台计算机上的某个算法程序的运行时间，我们以以下的公式来估算： T(n)=CopC(n) 假设C(n)=1/2n(n-1) 如果输入翻倍，该算法会运行多长时间呢？ 对于大规模的输入,效率分析框架忽略了乘法常量,而仅关注执行次数的增长次数及其常倍数. 增长次数 小规模输入在运行时间上的差别不足以将高效的算法和低效的算法区分开来. 对于n的值较大的算法来说，函数的增长次数对于研究算法的效率是有意义的。 下表是对于算法分析具有重要意义的一些函数值。 表2.1 对于算法分析具有重要意义的函数值（有一些是近似值） 2.1.4 算法的最优、最差和平均效率 以算法输入规模为参数可以合理地度量算法的效率，但有许多算法的运行时间不仅取决于输入的规模，而且取决于特定输入的细节。 例如：顺序查找的算法： seqsearch(A[n],key) { i=0; while i0 and A[i]!=key { i=i+1;} if (in)return i; else return -1; } 一个算法的最差效率是指，当输入规模为n时算法在最坏情况下的效率。这时，相对于其他规模为n的输入，该算法的运行时间最长。 一个算法的最优效率是指当输入规模为n时，算法在最优情况下的效率。 一个算法的平均效率是指算法在“典型”或者是“随机”输入的情况下会具有什么样的行为? 2.1.5 分析框架总结 算法的时间效率和空间效率都用输入规模的函数进行度量。 我们用算法的基本操作的执行次数来度量算法的时间效率，通过计算算法消耗的额外的存储单元的数量来度量空间效率。 在输入规模相同的情况下，有些算法的效率会有显著的差异。对于这样的算法，我们需要区分最差效率、平均效率和最优效率。 本框架主要关心的一点：当算法的输入规模趋向于无限大时，它的运行时间函数的增长次数。 2.2渐进符号和基本效率类型 效率分析框架主要关心一个算法的基本操作次数的增长次数，并把它作为算法效率的主要指标。为了对这些增长次数进行比较和归类，计算机科学家用了三种符号:O, Ω, Θ. 在