算法复杂度分析技术.ppt 39页

算法复杂度分析技术 2008/05/16 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Case。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)) 算法复杂度的‘阶’ O(1) 数组元素访问。栈操作。队列操作。 Hash表访问（低负载）。 O(1ogn) 二分查找。堆元素操作。 O(n) 遍历查找。建立堆。链表操作。 O(nlogn) 二分插入排序。归并排序。（快速排序。） O(n2) 选择排序。冒泡排序。 O(2n) 算法复杂度分析技术 求和技术 Solving summations 递归（分治）算法 Solving recurrence 估计与归纳证明法 The substitution method 递归树展开法 The recursion-tree method The master method 快速排序算法及复杂度分析 O(n)排序算法 堆排序算法 求和技术：二分插入查找 （续） for i = 1 to n biInsert( A[i], S); 求和技术 ： 二分插入查找 二分查找最后要定位点在的一个具体的点上，而且这个点必须是刚 好必要插入的小，所以必然是要使左指针与右指针相互移过，故每插 入一个，需要比较的次数为log2k 上取整。一共需要比较Σ「log2k」(0-n) 由斯特林（Stirling）公式得 ∑log2k = log2n！= n log2n-n; （n>10时已经是很好的近似了） 所以 nlog2n-n <= ∑ 「log2n」<= nlog2n, 故二分法在比较的时间复杂度： T(n) = O(nlog2n) 递归算法复杂度的递推公式 T(n) = a T (n/b) + f(n) T(1) = Θ (1) 其中：a,b为常数。 例如： 二分查找算法： T(n) = T (n/2) + 1 T(1) = Θ (1) 递归（分治）算法的算法复杂度分析 —— 估计与归纳证明法 The substitution method Merge sort: The substitution method T(n) ≤ 2(c ?n/2?lg(?n/2?)) + n ?≤ cn lg(n/2) + n ? = cn lg n - cn lg 2 + n ? = cn lg n - cn + n ? ≤ cn lg n 递归树展开法 The recursion-tree method The recursion tree for T (n) = 3T (n/4) + cn2 The recursion tree for T (n) = 3T (n/4) + cn2  The master method f(n) ? nlogba T(n) = Θ(nlogba) f(n) =Θ(nlogba) T(n) = Θ(nlogba lgn) f(n) ? nlogba T(n) = Θ(f(n)) Application of Master-theorem Quicksort Quicksort (cont.) Divide: Partition (rearrange) the array A[p ‥ r] into two subarrays A[p ‥ q - 1] and A[q + 1 ‥ r] such that： each element of A[p ‥ q - 1] <= A[q], in turn: A[q + 1..r] > A[q] Conquer: Sort the two subarrays A[p ‥ q -1] and A[q +1 ‥ r] by