数据结构第1章 绪论.pptVIP

影响算法运行所需时间的因素 硬件的速度 例如使用486机还是使用双核机。 书写程序的语言 实现语言的级别越高，其执行效率就越低 编译程序所生成目标代码的质量。 对于代码优化较好的编译程序其所生成的程序质量较高 问题的规模 例如，求100以内的素数与求1000以内的素数其执行的时间必然是不同的 算法设计的好坏 结论：不能用实际的时间来考量、应该用时间复杂度与空间复杂度来评价算法的优劣。 时间复杂度 时间复杂度是指，算法运行从开始到结束所需要的时间。 算法所需的时间=每条语句的执行时间之和。 每条语句的执行时间=语句执行次数（也称为频度）*执行一次该语句所需时间 假设执行每条语句一次所需的时间均为单位时间 算法所需的时间=算法中语句的频度之和 例1： 求两个N阶方阵的乘积C=A*B的算法 #define N 100 void MatrixMultiply(int A [N][N]，int B[N][N]，int C[N][N]) { ① for(i=0;iN; i++) n+1 ② for(j=0; jN;j++) n(n+1) ③ { C[i][j]=0; n2 ④ for(k=0;kN;k++) n2(n+1) ⑤ C[i][j]=C[i][j]+A[i][k]*B[k][j]; n3 } } 上述算法的执行时间（即语句的频度之和）是 T(n)=2n3+3n2+2n+1；它是方阵阶数n立方的函数。 例1的时间复杂度分析 语句1是循环控制语句，它的循环次数决定，故是n+1，但是它的循环体却只执行n次 语句2作为语句1的循环体内的语句应执行n次，但每次执行时它本身又要执行n+1次， 故语句2的频度为n(n+1)。 3、4、5语句的频度可类似得到。 例1的时间复杂度分析 算法的执行时间是求解问题的规模n（如矩阵的阶数，线性表的长度）的函数，我们考察它的数量级量度，即它与什么简单函数f(n)是同一数量级的，即T(n)=O(f(n))。 对于前例，当n→∞时 T(n)/n3 = (2n3+3n2+2n+1)/ n3→2 按“O”的定义我们可知T(n)=O(n3) 另一方法： 基本运算：一般指最深层循环内的语句 时间复杂度=基本运算在算法中重复执行的次数。 例1中，基本运算是三重循环中最深层的语句⑤，分析它的频度，即： T(n)=n3=O(n3) 例２ {++x; s=0;} 将x自增看成是基本操作，则语句频度为1，即时间复杂度为O(1) 如果将s=0也看成是基本操作，则语句频度为2，其时间复杂度仍为O(1)，即常量阶。 例３ for(i=1;i =n;++i) {++x;s+=x;} 基本运算频度为：n　其时间复杂度为：O(n) 即时间复杂度为线性阶。 例４ for(i=1;i=n;++i) 　　　　for(j=1;j=n;++j) {++x;s+=x;} 基本运算频度为：n2 　其时间复杂度为：O(n2) 即时间复杂度为平方阶。 例５ for(i=2;i=n;++i) for(j=2;j=i-1;++j) {++x; a[i,j]=x;} 基本运算频度为： 1+2+3+…+n-2=(1+n-2) ×(n-2)/2 =(n-1)(n-2)/2 =n2-3n+2 ∴时间复杂度为O(n2) 即此算法的时间复杂度为平方阶. 内循环的执行次数虽与规模n无直接关系，但与外循环的变量取值有关。所以，从内层向外层循环分析频度。 有的情况下，算法中基本操作重复执行的次数还随问题的输入数据集不同而不同。例如： void bubble-sort(int a[]，int n) for(i=n-1,change=TURE; i1 change;--i) { change=false; for(j=0;ji;++j) if (a[j]a[j+1]) { a[j] ←→a[j+1]; change=TURE； } } 最好情况：0次