Chapter 1 演算法分析 1.1 演算法 1.2 Big-O.

Presentation on theme: "Chapter 1 演算法分析 1.1 演算法 1.2 Big-O."— Presentation transcript:

1 Chapter 1 演算法分析 1.1 演算法 1.2 Big-O

2 演算法分析 演算法是解決一問題的有限步驟，而評斷演算法的優劣可利用Big-O分析之，如O(n)比O(n2)來得佳。

3 1.1 演算法 演算法（Algorithms）是一解決問題（problems）的有限步驟程序。
1.1 演算法 演算法（Algorithms）是一解決問題（problems）的有限步驟程序。 舉例來說，現有一問題為：判斷數字x是否在一已排序好的數字串列s中，其演算法為： 從s串列的第一個元素開始，依序的比較，直到x被發現或s串列已達盡頭。假使x被找到，則印出Yes；否則，印出No。

4 1.1 演算法 當問題很複雜時，上述敘述性的演算法就難以表達出來。因此，演算法大都以類似的程式語言表達之，繼而利用您所熟悉的程式語言執行之。

5 1.1 演算法 “他的程式寫得比我好嗎？” 應該利用客觀的方法進行比較，而此客觀的方法就是複雜度分析（complexity analysis）。 首先必須求出程式中每一敘述的執行次數（其中｛和｝不加以計算），將這些執行次數加總起來。然後求出其Big-O。

6 1.1 演算法 陣列元素相加（Add array members）

7 1.1 演算法 矩陣相乘（Matrix Multiplication）

8 1.1 演算法

9 1.1 演算法 循序搜尋（Sequential search）

10 1.1 演算法 二元搜尋（Binary search）

11 1.1 演算法 費氏數列（遞迴的片段程式）

12 1.1 演算法 費氏數列（非遞迴的片段程式）

13 1.2 Big-O 如何去計算演算法所需要的執行時間呢？在程式或演算法中，每一敘述（statement）的執行時間為：
此敘述執行的次數， 每一次執行所需的時間，兩者相乘即為此敘述的執行時間。 由於每一敘述所須的時間必需實際考慮到機器和編譯器的功能，因此通常只考慮執行的次數而已。

14 1.2 Big-O 下列有三個片段程式，請計算x=x+1的執行次數：

15 1.2 Big-O 在分析演算法時，一般稱敘述的執行次數為order of magnitude，所以上述的(a) 、(b) 、(c)中，x=x+1的order of magnitude分別為1，n，n2。 而整個演算法的order of magnitude為演算法中每一敘述的執行次數之和。

16 1.2 Big-O 算完程式敘述的執行次數後，通常利用Big-O來表示此演算法執行的時間。

17 1.2 Big-O 請看下列範例： 3n+2=O(n)， ∵我們可找到c=4，n0=2，使得3n+2<4n
10n2+5n+1=O(n2)， ∵我們可以找到c=11，n0=6，使得10n2+5n+1<11n2 7*2n +n2+n=O(2n)， ∵我們可以找到c=8，n0=4，使得7*2n+n2+n<8*2n 10n2+5n+1=O(n3)， 原來10n2+5n O(n2)，而n3又大於n2，理所當然10n2+5n+1=O(n3)是沒問題的。

18 f(n)=amnm +...+a1n+a0 時，f(n)=O(nm)
1.2 Big-O 其實，我們可以加以證明，當 f(n)=amnm +...+a1n+a0 時，f(n)=O(nm)

19 1.2 Big-O 循序搜尋（sequential search）的情形可分，其平均搜尋到的次數為

20 1.2 Big-O 二元搜尋法乃是資料已經皆排序好，因此由中間（mid）開始比較，便可知欲搜尋的資料（key）落在mid的左邊還是右邊，再將左邊的中間拿出來與key相比，只是每次要調整每個段落的起始位址或最終位址。

21 1.2 Big-O

22 1.2 Big-O 搜尋的次數為log32+1=6，此處的log表示log2。資料量為128個時，其搜尋的次數為log128+1，因此當資料量為n時，其執行的次數為logn+1。

23 1.2 Big-O 讀者大略可知二元搜尋比循序搜尋好得太多了，其執行敘率為O(logn) 。
費氏數列（Fibonacci number），其定義如下：

24 1.2 Big-O

25 1.2 Big-O

26 1.2 Big-O

27 1.2 Big-O 當n=3(f3)從上圖可知需計算的項目為5；n=5時，需計算的項目數為15個。因此我們可以下列公式表示：

28 1.2 Big-O

29 1.2 Big-O 上述費氏數列是以遞迴的方式算出，其Big-O為O(2n/2 )，若改以非遞迴方式計算的話，其f(n)執行的項目為n+1項。 從上表得知，計算費氏數列若採用遞迴方法並不太適合，所以並不是所有的問題皆適合利用遞迴法，有關遞迴的詳細情形，請參閱第五章。

30 1.2 Big-O Big-O的圖形表示如下：

31 1.2 Big-O 例如有一程式的執行次數為n2+10n，則其Big-O為n2，表示此程式執行的時間最壞的情況下不會超過n2，因為
n2+10n≦2n2，當c=2，n≧10時

32 1.2 Big-O 一般常見的Big-O有下列幾種情形： O(1) 稱為常數時間（constant）
O(log n) 稱為次線性時間（sub-linear） O(n) 稱為線性時間（linear） O(n log n) 稱為n logn n O(n2) 稱為平方時間（quadratic） (n3) 稱為立方時間（cubic） O(2n) 稱為指數時間（exponential） O(n!) 稱為階層時間

33 1.2 Big-O O(1)<O(log n) <O(n)<O(n log n) <O(n2)<O(n3) <O(2n)<O(3n) <O(n!)， 可由圖1-1或圖1-2得知。

34 1.2 Big-O