算法设计与分析-第2章-算法分析基础.pptxVIP

第2章 算法分析基础;2.1 算法分析的基本概念 ;三、算法分析的两个阶段 ;2.2 算法的渐进分析;语句频度：语句执行的次数 算法的语句频度f(n)： f(n)=∑( 语句(i)的执行次数） 算法中基本操作重复执行的次数之和 算法的执行时间：是所有语句的执行时间之和 T（n）=∑( 语句(i)的执行次数×语句的执行时间 ) (假设每条语句执行的时间相等);2.2 算法的渐进分析;大O符号描述增长率的上限，表示T(n)的增长最多像f(n)增长的那样快 当说一个算法具有O(f(n))的计算时间时，指的是如果此算法用n值不变的同一类数据在某台机器上运行时，所用的时间总是小于f(n)的一个常数倍。所以f(n)是计算时间T(n)的一个上界函数，T(n)的数量级就是f(n);算术运算： O(f(n))+O(g(n)) = O(max{f(n),g(n)}) ； O(f(m))+O(g(n)) = O(f(m)+g(n)) ； O(f(n))*O(g(n)) = O(f(n)*g(n)) ； O(cf(n)) = O(f(n)) ； 若g(n)= O(f(n)) 则 O(f(n))+O(g(n)) = O(f(n)) 。;证明：取n0=1,当n=n0时，利用T(n)的定义和一个简单的不等式，有 取c=|am|+….+|a0| 定理得证. 事实上，只要将n0取得足够大，可以证明只要c是比|am|大的任意一个常数，此定理都成立。;2.2 算法的渐进分析;;2.2 算法的渐进分析;例.1）假设某算法在输入规模是 时为 .在某台计算机上实现并完成该算法的时间是 秒. 现有另一台计算机,其运行速度为第一台的64倍, 那么,在这台计算机上用同一算法在 秒内能解决规模为多大的问题?;由于此时 ，新机器的运行速度/每语句为：;2. 大Ω符号--运行时间的下界 ;大Ω符号用来描述增长率的下界 也就是说， T(n)=Ω(g(n))是当输入规模为n时，算法消耗时间的最小值。 与大Ｏ符号对称，这个下限的阶越高，结果就越有价值。 问题的计算时间下界为?(f(n))，则计算时间复杂性为O(f(n))的算法是最优算法。 例如：计算时间复杂性为O(nlogn)的排序算法是最优算法。（堆排序算法就是最优算法）。;3. Θ符号---运行时间的准确界 ;例： T(n)＝5n2＋8n＋1 当n≥1时，5n2＋8n＋1≤5n2＋8n＋n ＝5n2＋9n≤5n2＋9n2≤14n2＝O(n2) 当n≥1时，5n2＋8n＋1≥5n2＝Ω(n2) ∴ 当n≥1时，14n2≥5n2＋8n＋1≥5n2 则：5n2＋8n＋1＝Θ(n2);【解答】 当n≥1时，3n-1≤3n＝O(n) 当n≥1时，3n-1≥3n-n＝2n＝Ω(n) 当n≥1时，3n≥3n-1≥2n，则3n-1＝Θ(n);2.3 最好、最坏和平均情况 ;（1）最坏情况下的时间复杂性 Tmax(n) = max{ T(I) | size(I)=n } （2）最好情况下的时间复杂性 Tmin(n) = min{ T(I) | size(I)=n } （3）平均情况下的时间复杂性 Tavg(n) = 其中I是问题的规模为n的实例，p(I)是实例I出现的概率。;2.3 最好、最坏和平均情况 ;最好情况：出现概率较大时分析 最差情况：实时系统 平均情况：已知输入数据是如何分布的， 通常假设等概率分布;1. 建立一个代表算法运行时间的求和表达式; 2. 用渐进符号表示这个求和表达式。;1. 决定用哪个（或哪些）参数作为算法问题规模的度量 可以从问题的描述中得到。 2. 找出算法中的基本语句 通常是最内层循环的循环体。 3. 检查基本语句的执行次数是否只依赖于问题规模 如果基本语句的执行次数还依赖于其他一些特性，则需要分别研究最好情况、最坏情况和平均情况的效率。 4. 建立基本语句执行次数的求和表达式 计算基本语句执行的次数，建立一个代表算法运行时间的求和表达式。 5. 用渐进符号表示这个求和表达式 计算基本语句执行次数的数量级，用大O或Ω或Θ???号描述算法增长率的上限。;2.5 递归算法的分析 ;例: Merge-sort排序算法的复杂性递归方程为 T(n)=?(1) if n=1 T(n)=2T(n/2)+?(n) if n1;步骤： 循环地