【问题标题】:Using worst/avg/best case for asymptotic analysis [closed]使用最差/平均/最佳情况进行渐近分析 [关闭]
【发布时间】:2013-08-11 21:14:31
【问题描述】:

我知道最坏/平均/最佳情况用于确定算法在函数中的复杂性时间,但在渐近分析中如何使用?我了解上限/紧/下限(大 O,大欧米茄,大 theta)用于比较两个函数,并且随着 n 的增加,查看它的极限(增长)与另一个函数的关系,但我无法看到最差/平均/最佳情况大 O 和渐近分析之间的差异。将我们的最坏/平均/最佳情况大 O 归入渐近分析和测量界限究竟能得到什么?我们会使用渐近分析来专门比较最坏/平均/最佳情况大 O 的两种算法吗?如果是这样,我们是对算法 1 使用函数 f(n),对算法 2 使用 g(n),还是对算法 1 为 f(n) 的每个算法进行单独的渐近分析,然后尝试找到一些 c*g(n ) 使得 => f(n) 并且使得 c*g(n)

【问题讨论】:

    标签: algorithm complexity-theory big-o analysis asymptotic-complexity


    【解决方案1】:

    既然你想要大局,让我试着给你同样的。

    渐近分析用于研究运行时间如何随着输入大小的增加而增长。这个增长是根据输入大小来研究的。输入大小,通常表示为 N 或 M,它可以表示任何数字(如排序),节点数(如图形)或偶数位数(如两个数字相乘)。

    在处理渐近分析时,我们的目标是找出在特定情况下哪种算法表现更好。意识到即使对于相同大小的输入,算法的运行时间也各不相同。要理解这一点,请考虑您是一台分拣机。您将给定一组数字,你需要对它们进行排序。如果我给你一个排序的数字列表,你将没有工作,你已经完成了。如果我给你一个反向排序的数字列表,想象一下操作的数量您需要对列表进行排序。现在您看到了这一点,意识到我们需要一种方法来了解输入是什么情况?这是最好的情况吗?我会得到最坏的情况输入吗?回答这个问题,我们需要一些关于输入分布的知识。这都是最坏的情况吗?还是一般情况?还是大多数情况下是最好的情况?

    在大多数情况下,输入分布的知识是相当难以确定的。那么我们有两个选择。我们可以一直假设平均情况并分析我们的算法,或者我们可以得到运行情况的保证与输入分布无关。前者被称为平均案例分析,要进行这样的分析需要正式定义什么是平均案例。有时这很难定义,需要大量的数学洞察力。所有的麻烦都是值得一提的是,当您知道某些算法在平均情况下的运行速度比其最坏情况下的运行时间要快得多时。有几种随机算法可以证明这一点。在这种情况下,进行平均情况分析揭示了它的实际适用性。 后者,最坏情况分析更常用,因为它为运行时间提供了很好的保证。在实践中提出最坏情况通常是相当直观的。假设你是排序机器,最坏情况就像反向排序的数组.一般情况是多少?
    是的,你在想,对吧?不是那么直观。

    很少使用最佳案例分析,因为并非总能获得最佳案例。仍然可以进行此类分析并找到有趣的行为。

    总之,当我们有一个我们想解决的问题时,我们会想出算法。一旦我们有了算法,我们需要确定它是否对我们的情况有任何实际用途。如果是这样,我们就继续并入围可以应用的算法,并根据它们的时间和空间复杂度进行比较。可能有更多的指标进行比较,但这两个是基本的。这样的指标之一可能是易于实施。根据手头的情况,你会采用最坏情况分析或平均情况分析或最佳情况分析。例如,如果您很少遇到最坏情况,那么进行平均情况分析更有意义。但是,如果我们的代码性能具有关键性质并且我们需要要在严格的时间限制内提供输出,那么查看最坏情况分析更为谨慎。因此,您所做的分析取决于手头的情况,并且随着时间的推移,应用哪种分析的直觉成为第二天性.

    如果您还有其他问题,请询问。

    要了解有关 big-oh 和其他符号的更多信息,请阅读我的回答 here 和 here。

    【讨论】:

    • 我不确定我是否理解,但我们是否使用我们最好/平均/最坏情况的上限/紧/下限的渐近分析来找出例如:如果我们最坏的情况是给定的算法是 O(n^2) 也许它的上限是 O(n^3) 的某个其他函数 g(n) 的子集?当看到渐近分析的例子时,它使用的函数仍然是常数项和低阶项。使用函数,我们根据 f(n)g(n), c1*g(1)cg(n).
    • 呃,抱歉,你有什么疑问?我听不懂。
    • 所以这里是一个基于函数 f(n)=3n^4+10n^2+4n+11, 3n^4+10n^2+ 的上界渐近分析的例子4n+11 = O(n^4), 3n^4+10n^2+4n+11 = O(n^5), 3n^4+10n^2+4n+11 = O(n^6), 如何这是否与我们有一个嵌套循环为 O(n^2) 的算法的最坏情况有关?我只是不明白我们如何处理这个 O(n^2) 和一般的渐近分析。据我了解,它们是不同的但也相关,您对最坏/平均/最佳情况大 O 使用渐近分析。我只是没有看到联系。 radford.edu/~nokie/classes/360/order.html
    • 如果你描述为 f(n)=3n^4+10n^2+4n+11 的函数是针对最坏情况的,那么是的,这个 O(N^4) 算法更糟在最坏的情况下比 O(N^2)。这是一个微妙的点。渐近分析只是分析函数增长的数学工具。您可以将其用于最佳情况/最坏情况/平均情况。
    • 另外,如果您想进行更深入的讨论,最好转到聊天室。chat.stackoverflow.com/rooms/35260/asymptotic-complexity
    【解决方案2】:

    Wikipedia article on quicksort 提供了如何在最佳/平均/最坏情况下使用渐近分析的一个很好的例子:它有 O(n^2) 的最坏情况,O(n log n) 的平均情况,以及O(n log n)的最佳情况,如果您将其与另一种算法(例如,堆排序)进行比较,您会将苹果与苹果进行比较,例如您可以将快速排序的最坏情况 big-theta 与 heapsort 的最坏情况 big-theta 进行比较,或者将快速排序的空间 big-oh 与 heapsort 的空间 big-oh 进行比较。

    如果您对上限感兴趣,也可以将 big-theta 与 big-oh 进行比较,如果您对下限感兴趣,可以将 big-theta 与 big-omega 进行比较。

    大欧米茄通常仅具有理论意义 - 您更有可能看到大哦或大θ方面的分析。

    【讨论】:

    • 我不确定我是否理解。当我们得到两个算法的大 O 时,两个算法都有一个嵌套循环,导致 O(n^2),使用渐近分析可以比较什么。此外,当我看到渐近分析时,它使用的函数仍然是常数项和低阶项。有了这个函数,我们冷告诉它是大 O 的上界、紧界和下界。但是,如果两个算法在最坏情况下是相同的大 O,我们如何在渐近分析中使用最佳/平均/最坏情况大 O?有什么可以比较的...我只是没有看到我们正在尝试做的事情。
    • @user2644819 如果两种算法具有相同的渐近复杂度,那么就没有什么可比较的了
    【解决方案3】:

    将最坏/平均/最佳情况的大 O 归入渐近分析和测量界限究竟能得到什么?

    当您比较某些问题的不同方法时,它只是给出一个想法。这将帮助您比较不同的方法。

    我们是否会使用渐近分析来专门比较最差/平均/最佳情况大 O 的两种算法?

    与 Big Omega 和 theta 相比,通常只有更糟糕的情况才会得到更多关注。 是的,我们对算法 1 使用函数 f(n),对算法使用 g(n)。而这些函数是各自算法的大O。

    【讨论】:

      猜你喜欢
      • 1970-01-01
      • 2019-07-06
      • 2021-12-04
      • 2011-11-18
      • 1970-01-01
      • 2013-02-21
      • 1970-01-01
      • 2013-07-27
      • 1970-01-01
      相关资源
      最近更新 更多