演算法複雜度的計算

2021-05-22 21:11:53 字數 3522 閱讀 9793

演算法複雜度是在《資料結構》這門課程的第一章裡出現的,因為它稍微涉及到一些數學問題,所以很多同學感覺很難,加上這個概念也不是那麼具體,更讓許多同學學起來無從下手,下面我們就這個問題給各位考生進行分析。

首先了解一下幾個概念。乙個是時間複雜度,乙個是漸近時間複雜度。前者是某個演算法的時間耗費,它是該演算法所求解問題規模n的函式,而後者是指當問題規模趨向無窮大時,該演算法時間複雜度的數量級。

當我們評價乙個演算法的時間效能時,主要標準就是演算法的漸近時間複雜度,因此,在演算法分析時,往往對兩者不予區分,經常是將漸近時間複雜度t(n)=o(f(n))簡稱為時間複雜度,其中的f(n)一般是演算法中頻度最大的語句頻度。

此外,演算法中語句的頻度不僅與問題規模有關,還與輸入例項中各元素的取值相關。但是我們總是考慮在最壞的情況下的時間複雜度。以保證演算法的執行時間不會比它更長。

常見的時間複雜度,按數量級遞增排列依次為:常數階o(1)、對數階o(log2n)、線性階o(n)、線性對數階o(nlog2n)、平方階o(n^2)、立方階o(n^3)、k次方階o(n^k)、指數階o(2^n)。

下面我們通過例子加以說明,讓大家碰到問題時知道如何去解決。

1、設三個函式f,g,h分別為 f(n)=100n^3+n^2+1000 , g(n)=25n^3+5000n^2 , h(n)=n^1.5+5000nlgn

請判斷下列關係是否成立:

(1) f(n)=o(g(n))

(2) g(n)=o(f(n))

(3) h(n)=o(n^1.5)

(4) h(n)=o(nlgn)

這裡我們複習一下漸近時間複雜度的表示法t(n)=o(f(n)),這裡的"o"是數學符號,它的嚴格定義是"若t(n)和f(n)是定義在正整數集合上的 兩個函式,則t(n)=o(f(n))表示存在正的常數c和n0 ,使得當n≥n0時都滿足0≤t(n)≤c?f(n)。"用容易理解的話說就是這兩個函式當整型自變數n趨向於無窮大時,兩者的比值是乙個不等於0的常 數。這麼一來,就好計算了吧。

(1)成立。題中由於兩個函式的最高次項都是n^3,因此當n→∞時,兩個函式的比值是乙個常數,所以這個關係式是成立的。

(2)成立。與上同理。

(3)成立。與上同理。

(4)不成立。由於當n→∞時n^1.5比nlgn遞增的快,所以h(n)與nlgn的比值不是常數,故不成立。

2、設n為正整數,利用大"o"記號,將下列程式段的執行時間表示為n的函式。

(1) i=1; k=0

while(i1

while (x>=(y+1)*(y+1))

y++;

解答:t(n)=n1/2 ,t(n)=o(n1/2), 最壞的情況是y=0,那麼迴圈的次數是n1/2次,這是乙個按平方根階遞增的函式。

(3) x=91; y=100;

while(y>0)

if(x>100)

else x++;

解答: t(n)=o(1), 這個程式看起來有點嚇人,總共迴圈執行了1000次,但是我們看到n沒有? 沒。這段程式的執行是和n無關的,就算它再迴圈一萬年,我們也不管他,只是乙個常數階的函式。

規則:有如下複雜度關係

c < log2n < n < n * log2n < n^2 < n^3 < 2^n < 3^n < n!

其中c是乙個常量,如果乙個演算法的複雜度為c 、 log2n 、n 、 n*log2n ,那麼這個演算法時間效率比較高 ,如果是 2^n , 3^n ,n!,那麼稍微大一些的n就會令這個演算法不能動了,居於中間的幾個則差強人意。

我們常需要描述特定演算法相對於 n(輸入元素的個數 )需要做的工作量。在一組未排序的資料中檢索,所需的時間與 n成正比;如果是對排序資料用二分檢索,花費的時間正比於logn。排序時間可能正比於n^2或者nlogn。

我們希望能夠比較演算法的執行時間和空間要求,並使這種比較能與程式語言、編譯系統、機器結構、處理器的速度及系統的負載等複雜因素無關。

為了這個目的,人們提出了一種標準的記法,稱為「大o記法」.在這種描述中使用的基本引數是 n,即問題例項的規模,把複雜性或執行時間表達為n的函式 。這裡的「o」表示量級 (order),比如說「二分檢索是 o(logn)的」,也就是說它需要「通過logn量級的步驟去檢索乙個規模為n的陣列」記法o ( f(n) )表示當n增大時,執行時間至多將以正比於f(n)的速度增長。這種漸進估計對演算法的理論分析和大致比較是非常有價值的,但在實踐中細節也可能造成差異。例如,乙個低附加代價的o(n2)演算法在n較小的情況下可能比乙個高附加代價的o(nlogn)演算法執行得更快。當然,隨著n足夠大以後,具有較慢上公升函式的演算法必然工作得更快。

temp=i;i=j;j=temp;                     以上三條單個語句的頻度均為1,該程式段的執行時間是乙個與問題規模n無關的常數。

演算法的時間複雜度為常數階,記作t(n)=o(1)。如果演算法的執行時 間不隨著問題規模n的增加而增長,即使演算法中有上千條語句,其執行時間也不過是乙個較大的常數。此類演算法的時間複雜度是o(1)。

例 2.1. 交換i和j的內容

1) sum=0;             (一次)

2) for(i=1;i<=n;i++)   (n次 )

3)    for(j=1;j<=n;j++) (n^2次 )

4)         sum++;       (n^2次 )

解:t(n)=2n^2+n+1 =o(n^2)

例 2.2.

for (i=1;i例 2.3.

a=0;b=1;      ①

for (i=1;i<=n;i++) ②

...解:語句1的頻度:2,        語句2的頻度: n,        語句3的頻度: n-1,        語句4的頻度:n-1,   

語句5的頻度:n-1,                                  則:t(n)=2+n+3(n-1)=4n-1=o(n).

例 2.4.

i=1;       ①

while (i<=n)

i=i*2; ②

解:語句1的頻度是1,        設語句2的頻度是f(n),        則:2^f(n)<=n;f(n)<=log2n   

取最大值f(n)= log2n,則該程式的時間複雜度t(n)=o(log2n )

例 2.5.

for(i=0;i下面是一些常用的記法:

訪問陣列中的元素是常數時間操作,或說o(1)操作。乙個演算法如果能在每個步驟去掉一半資料元素,如二分檢索,通常它就取o(logn)時間。用strcmp比較兩個具有n個字元的串需要o(n)時間 。常規的矩陣乘演算法是o(n^3),因為算出每個元素都需要將n對元素相乘並加到一起,所有元素的個數是n^2。

指數時間演算法通常**於需要求出所有可能結果。例如,n個元 素的集合共有2n個子集,所以要求出所有子集的演算法將是o(2n)的。指數演算法一般說來是太複雜了,除非n的值非常小,因為,在這個問題中增加乙個元素就導致執行時間加倍。不幸的是,確實有許多問題 (如著名 的「巡迴售貨員問題」),到目前為止找到的演算法都是指數的。如果我們真的遇到這種情況, 通常應該用尋找近似最佳結果的演算法替代之。

演算法複雜度的計算

演算法複雜度是在 資料結構 這門課程的第一章裡出現的,因為它稍微涉及到一些數學問題,所以很多同學感覺很難,加上這個概念也不是那麼具體,更讓許多同學學起來無從下手,下面我們就這個問題給各位考生進行分析。首先了解一下幾個概念。乙個是時間複雜度,乙個是漸近時間複雜度。前者是某個演算法的時間耗費,它是該演算...

演算法複雜度的計算

演算法複雜度是在 資料結構 這門課程的第一章裡出現的,因為它稍微涉及到一些數學問題,所以很多同學感覺很難,加上這個概念也不是那麼具體,更讓許多同學學起來無從下手,下面我們就這個問題給各位考生進行分析。首先了解一下幾個概念。乙個是時間複雜度,乙個是漸近時間複雜度。前者是某個演算法的時間耗費,它是該演算...

演算法的複雜度計算

雖然計算機能快速的完成運算處理,但實際上,它也需要根據輸入資料的大小和演算法效率來消耗一定的處理器資源。要想編寫出能高效執行的程式,我們就需要考慮到演算法的效率。演算法的效率主要由以下兩個複雜度來評估 時間複雜度 評估執行程式所需的時間。可以估算出程式對處理器的使用程度。空間複雜度 評估執行程式所需...