我正在比较maxmin算法实现的复杂性,我已经用两种方式实现:蛮力方式和分而治之的方式 . 在我测试了两个算法之后,十个输入的元素在1000000到10000000之间 . 遵循以下算法:
蛮力实施如下:
def maxmin1(vetor):
max,min = vetor[0],vetor[0];
for elem in vetor[1:]:
if elem > max:
max = elem
if elem < min:
min = elem
return (min,max)
分而治之的实施如下:
def maxmin4(vetor,inicio,fim):
if ((fim - inicio) == 1):
return (vetor[inicio], vetor[inicio])
elif ((fim - inicio) == 2):
if( vetor[inicio] < vetor[inicio+1]):
return (vetor[inicio], vetor[inicio+1])
else:
return (vetor[inicio+1], vetor[inicio])
else:
(min_left,max_left) = maxmin4(vetor,inicio,(fim-inicio)/2 + inicio)
(min_right,max_right) = maxmin4(vetor,(fim-inicio)/2 + inicio,fim)
if (max_left < max_right):
max = max_right
else:
max = max_left
if (min_left < min_right):
min = min_left
else:
min = min_right
return (min,max)
结果如下:
input N time algorithm 1 | time algorithm 2
1000000 | 0.1299650669 | 0.6347620487
2000000 | 0.266600132 | 1.3034451008
3000000 | 0.393116951 | 2.2436430454
4000000 | 0.5371210575 | 2.5098109245
5000000 | 0.6094739437 | 3.4496300221
6000000 | 0.8271648884 | 4.6163318157
7000000 | 1.0598180294 | 4.8950240612
8000000 | 1.053456068 | 5.1900761128
9000000 | 1.1843969822 | 5.6422820091
10000000| 1.361964941 | 6.9290060997
我不明白为什么第一个算法比第二个算法快,因为第一个算法的复杂度为2(n-1),第二个算法的复杂度为3n / 2 -2,理论上第一个比第二个慢 . 为什么会这样?
3 回答
尽管分而治之的方法保证了最小的比较次数,但程序的实际复杂性取决于程序中执行的操作总数 .
在您的情况下,您执行大约4或5次操作来进行大约n / 2次函数调用(函数调用的二叉树的叶节点),以及大约16次内部节点操作(计算所有赋值,算术运算,比较,和元组结构) . 总计约10n个操作总计 .
在第一个程序中,操作总数基本上是2.x * n(其中x取决于执行的赋值数) .
这与程序1中程序2中操作的相对简单性相结合,导致在两个程序中观察到因子5 .
此外,分而治之算法的比较数应为3n / 2,而不是2n / 3 .
事实证明,您的代码中似乎存在错误或分析中存在错误 - 但这并不重要 . 我会在最后得到它 .
如果你看看你的结果,很明显两者之间的差异大约为5倍 . 这意味着第二个算法的复杂性并不比第一个算法复杂,它只是得到了一个更高的常数乘数 - 你做了相同数量的步骤,但每个步骤都要多得多 .
这可能只是你测试这么窄范围的一个神器,只有10个因子 . 但运行你的测试有更广泛的值,如下所示:
......你可以看到模式坚持:
那么,为什么第二个版本中更高的常量开销呢?好吧,第一个版本只是进行一个简单的
for
迭代,两个比较,以及每个元素的1个赋值 . 第二个是调用函数,构建和爆炸元组,进行更多的比较等等 . 这实际上慢了5倍(或者实际上,慢了15倍,如果你需要进行一些分析,或者至少查看字节码 . 但是我不值得这么做 .故事的寓意是有一个原因2(n-1)和2n / 3-2都是O(n):当你有两个不同的复杂性类别,如O(n)和O(n ** 2),这对于大n来说总是有所不同;当你在同一个类中有两个算法时,实现中的常量(每个步骤的成本)很容易超过步数中的常量 .
同时,我们如何验证2n / 3-2分析?简单,只需添加一个全局计数器,每次调用maxmin4时都会递增一次 . 以下是预期和实际结果:
但这只是意味着你做了大约2 / 3rds的步骤而不是大约1/3,所以每个步骤的不变成本是7.5倍而不是15倍 . 最后,这并不会真正影响分析 .
我会非常惊讶地看到Python递归比Python迭代运行得更快 . 尝试maxmin的这个实现,一次取两个值 .
如果要计算比较,则传递实现
__lt__
和__gt__
的一系列对象,并使这些方法更新全局计数器 .