算法的复杂度与Master定理
来源:互联网 发布:战舰世界哈巴罗夫数据 编辑:程序博客网 时间:2024/06/06 10:56
http://www.gocalf.com/blog/algorithm-complexity-and-master-theorem.html
平时设计或者阅读一个算法的时候,必然会提到算法的复杂度(包括时间复杂度和空间复杂度)。比如我们说一个二分查找算法的平均时间复杂度为O(logn),快速排序可能是O(n logn)。那这里的O是什么意思?这样的表达是否准确呢?
今天来复习一下与算法复杂度相关的知识:函数渐进阶,记号O、Ω、θ和o;Master定理。
先插一句,在算法复杂度分析中,log通常表示以2为底的对数。
算法复杂度(算法复杂性)是用来衡量算法运行所需要的计算机资源(时间、空间)的量。通常我们利用渐进性态来描述算法的复杂度。
用n表示问题的规模,T(n)表示某个给定算法的复杂度。所谓渐进性态就是令n→∞时,T(n)中增长最快的那部分。严格的定义是:如果存在
,当n→∞时,有
就说
是T(n)当n→∞时的渐进性态。
比如T(n) = 2 * n ^ 2 + n log n + 3,那么显然它的渐进性态是 2 * n ^2,因为当n→∞时,后两项的增长速度要慢的多,可以忽略掉。引入渐进性态是为了简化算法复杂度的表达式,只考虑其中的主要因素。当比较两个算法复杂度的时候,如果他们的渐进复杂度的阶不相同,那只需要比较彼此的阶(忽略常数系数)就可以了。
总之,分析算法复杂度的时候,并不用严格演算出一个具体的公式,而是只需要分析当问题规模充分大的时候,复杂度在渐进意义下的阶。记号O、Ω、θ和o可以帮助我们了解函数渐进阶的大小。
假设有两个函数f(n)和g(n),都是定义在正整数集上的正函数。上述四个记号的含义分别是:
- f(n) = O(g(n)):
∃c>0,n0∈N,∀n≥n0,f(n)≤cg(n)
- ;f的阶低于g的阶。
可见,记号O给出了函数f(n)在渐进意义下的上界(但不一定是最小的),相反,记号Ω给出的是下界(不一定是最大的)。如果上界与下界相同,表示f(n)和g(n)在渐进意义下是同阶的(θ),亦即复杂度一样。
列举一些常见的函数之间的渐进阶的关系:
logn!=Θ(nlogn)
有些人可能会把这几个记号跟算法的最坏、最好、平均情况复杂度混淆,它们有区别,也有一定的联系。
即使问题的规模相同,随着输入数据本身属性的不同,算法的处理时间也可能会不同。于是就有了最坏情况、最好情况和平均情况下算法复杂度的区别。它们从不同的角度反映了算法的效率,各有用处,也各有局限。
有时候也可以利用最坏情况、最好情况下算法复杂度来粗略地估计算法的性能。比如某个算法在最坏情况下时间复杂度为θ(n^ 2),最好情况下为θ(n),那这个算法的复杂度一定是O(n ^2)、Ω(n)的。也就是说n ^ 2是该算法复杂度的上界,n是其下界。
接下来看看Master定理。
有些算法在处理一个较大规模的问题时,往往会把问题拆分成几个子问题,对其中的一个或多个问题递归地处理,并在分治之前或之后进行一些预处理、汇总处理。这时候我们可以得到关于这个算法复杂度的一个递推方程,求解此方程便能得到算法的复杂度。其中很常见的一种递推方程就是这样的:
设常数a >= 1,b > 1,f(n)为函数,T(n)为非负整数,T(n) = a T(n / b) +f(n),则有:
- 若
f(n)=O(nlogba−ε),ε>0
- 。
比如常见的二分查找算法,时间复杂度的递推方程为T(n) = T(n / 2) +θ(1),显然有
,满足Master定理第二条,可以得到其时间复杂度为T(n)= θ(log n)。
再看一个例子,T(n) = 9 T(n / 3) + n,可知
,令ε取1,显然满足Master定理第一条,可以得到T(n) = θ(n ^2)。
来一个稍微复杂一点儿例子,T(n) = 3 T(n / 4) + n logn。
,取ε = 0.2,显然当c = 3 /4时,对于充分大的n可以满足a * f(n / b) = 3 * (n / 4) * log(n / 4) <=(3 / 4) * n * log n = c * f(n),符合Master定理第三条,因此求得T(n)= θ(n log n)。
运用Master定理的时候,有一点一定要特别注意,就是第一条和第三条中的ε必须大于零。如果无法找到大于零的ε,就不能使用这两条规则。
举个例子,T(n) = 2 T(n / 2) + n log n。可知
。简单的说一下计算过程:
递归树的建立过程,就像是模拟算法的递推过程。树根对应的是输入的规模为n的问题,在递归处理子问题之外,还需要nlogn的处理时间。然后根据递推公式给根节点添加子节点,每个子节点对应一个子问题。这里需要两个子节点,每个节点处理规模为n/ 2的问题,分别需要(n / 2) * log(n / 2)的时间。因此在第二层一共需要n *(log n -1)的时间。第三层节点就是将第二层的两个节点继续分裂开,得到四个各需要(n /4) * log(n / 4)时间的节点,总的时间消耗为n * (log n -2)。依此类推,第k(设树根为k = 0)层有2 ^ k的节点,总的时间为n * (log n- k)。而且可以知道,这棵树总共有logn层(最后一层每个节点只处理规模为1的子问题,无须再分治)。最后将每一层消耗的时间累加起来,得到:
- 算法的复杂度与Master定理
- 算法的复杂度与Master定理
- 算法的复杂度与Master定理
- 递归算法的时间复杂度终结篇与Master method
- 算法时间复杂度的表达-渐进符号与主定理
- 主定理(Master Theorem)与时间复杂度
- 主定理(Master Theorem)与时间复杂度
- 主项定理Master Method 计算时间复杂度
- 主定理与递归树计算算法时间复杂度
- 算法的时间复杂度与空间复杂度
- 快速排序算法的时间复杂度分析[详解Master method]
- 时间复杂度算法主定理
- 【算法复杂度分析】主定理
- 高级算法 应用主项定理Master Method 求时间复杂度 判断有向图是否有环
- 时间复杂度与主定理
- 递归方程的Master定理
- Master公式求解递归算法时间复杂度
- 【算法·基本概念】master theorem 主定理
- CCL 2017最佳论文公布,看全国计算语言学前沿研究
- 第三期CSIG图像图形学科前沿讲习班-详细日程
- 1701H5 范江睿 10月17日 连续第七天总结
- golang设计模式(6)适配器模式
- Python 采集相关设定
- 算法的复杂度与Master定理
- WEB安全漏洞分析之变量覆盖
- 迟到的=·=幽灵猎手
- mac JDK9的安装与环境配置以及Tomcat安装错误问题的解决
- 单源最短路径
- 各种Java加密算法
- HTML 面试常见知识点
- iOS广告Banner,使用三个ImgView无限循环轮播
- 通过XMLHttpRequest加载外部图片文件或数据