A. Big地区 O故障是记忆存取模式。 页: 1 仅对需要开展的业务进行计数,如果算法导致更多的海滩或需要从磁盘上页的数据,则可以跟踪。 对于小的N来说,这些影响通常会占主导地位。 例如,通过100个蓄水层进行细线搜索,可能由于记忆存取而通过100个ger树进行搜索,尽管双平树很可能需要较少的操作。 每一树苗都会造成海滩错乱,而线搜查则主要打上每一座的海滩。

它完全没有: 当人们试图用它来做某些事情时,它就没有意义。

它告诉你算法比额表如何。 它没有告诉你它的速度。

Big-O notation don t 告诉你,在任何特定情况下,算法会更快。 它只告诉你,如果投入足够大,就会更快。

当N小时,恒定因素占主导地位。 在五种项目中研究一个项目可能比在一张黑板桌上研究该项目要快。

简短回答: 无。 当你只有三个目的地时,便能迅速解决旅行销售商的问题(不过,在数万个要素清单中找到最小数目可以持续,尽管这是O(n)。 iii

can的例子就是Quicksort,最糟糕的是O(n^2),而Heapsort s则是O(nlogn)。 然而,在实际中,Quicksort通常在更快的时候。 为什么? 两个原因:

• Quicksort的每一个频率都比Heapsort要简单得多。 更糟糕的是,它很容易通过简单的切身战略优化。

• 最糟糕的情况非常难以打击。

但是,IMHO,这并不意味着大O以任何方式失败。 第一个因素(时间)很容易纳入你的估算。 毕竟,这一几乎不变的事实应当使大的O数倍多。

如果你获得摊销数字,那么第二个因素就会消失。 更难以估计,但更完整地说明情况。

Big-O描述了算法的效率/复杂性,不一定是实施特定编码系统的运行时间。 这并不意味着Big-O失败。 这只是说它无意预测时间。

查询。 问题大体定义

1. 大多数算法都有“平均案件”和“最坏案件”。 如果你的数据通常属于“最坏情况”的情况,那么另一种算法虽然理论上对平均情况效率较低,但可能证明对你的数据更为有效。

2. 有些算法还拥有最佳案例,可以利用你的数据。 例如,某些分类法具有很强的理论效率,但如果已经对数据进行分类(或几乎如此),则实际上非常快。 另一种算法虽然从理论上说在一般情况下较快,但可能无法利用数据已经分类,实际上更糟。

3. 对于非常小的数据集,有时由于“k”价值大,理论效率较好的算法实际上可能效率较低。

一个例子(我不是一位专家)是,线性方案拟订的简单算法在任意投入方面有着极其复杂的情况,尽管它们在实践中表现良好。 令人感兴趣的解决办法是考虑“变迁的复杂性”,这种复杂性通过研究任意投入的小规模随机扰动,打破了最坏的情况和平均情况。

http://vis.kfupm.edu.sa/content/s/m/smoothed_analysis_of_algorithms_why_the_110204.pdf”rel=“nofollow noreferer”>,Spielman和Teng(2004)能够表明,影子-vertex简单的x算法具有全面的复杂性。

Big O do not, e.g. 算法 运行速度快于算法B。 它可以说算法所用的时间或空间 投入增加时,以比算法B不同的速度增长。 然而,对于任何具体投入规模而言,大面积的公证对一个算法相对于另一个算法的性能没有任何影响。

例如,A的运行速度可能较慢,但比B的操作量要好,B的操作效果更小,但如果数据规模增加,A的切入点就会更快。 Big- O本身并不说这一截断点在哪里。

一般答案是,Big-O通过掩盖经常因素,使你能够真正 s。 如上所述,使用Fibonacci Heaps就是一例。 Fibonacci Heaps do >有很强的症状,但在实践中,恒定因素过于庞大,无法用于实际生活中遇到的成套数据。

Fibonacci 由于与图表有关的算法的症状复杂性,因此往往使用斜坡法来证明这种约束性低。

另一个类似的例子是Coppercraft-Winograd。 目前,计算法是矩阵倍增最最最快的、最著名的症状操作时间,O(n^2.376)。 然而,其经常因素太大,无法在实践中发挥作用。 如同Fibonacci Heaps一样,它经常被用作其他算法的一个组成部分,以证明理论上的时间界限。

这在一定程度上取决于大专组织的衡量标准——当它处理最坏的情况时,它通常会“失败”,因为运行时间的表现将比大O所建议的要好得多。 如果情况平均,情况可能更糟。

如果对算法的投入数据事先有某些信息,则大系数的数值通常为“fails”。 通常,Big-O节提及最坏的案件复杂性,如果数据完全是随机的,或者完全是非任意的,就会发生这种情况。

举例来说,如果你把数据输入一个图表显示的算法,而主线则以随机数据为基础,但你的数据结构非常明确,其结果可能比预期要快得多。 同样,如果你重新衡量平均复杂性,如果你提供大量随机抽取的数据,那么算法可能比预期的要差得多。

1. Small N - And for todays computers, 100 is likely too small to worry.
2. Hidden Multipliers - IE merge vs quick sort.
3. Pathological Cases - Again, merge vs quick

Big-Oh的否决的一个广泛领域是,数据量超过可动用的RAM。

举例来说,计算所需时间并不以比较或交换次数(在最佳情况下,有O(nlog n)和O(n)的比较或互换数字为主。 时间数以磁盘操作次数为主:栏目书写和栏目如下。

为了更好地分析处理超出现有援助团数据的数据的算法,I/O-model诞生,你将磁盘的数量计算在内。 在这方面,你考虑三个参数:

• The number of elements, N;
• The amount of memory (RAM), M (the number of elements that can be in memory); and
• The size of a disk block, B (the number of elements per block).

不可否认的是,磁盘空间的数量是有限的。 典型的额外假设是M > B²。

举例来说,你通常赞成在I/O一案中合并:将要素分成小数的θ(M)并把它们记为记忆(即快速)。 之后,通过阅读从每个科室到记忆中的第一个组群,将其中的θ(M/B)合并起来,把所有要素都 st为一粒,并多次抽取最小的元素,直到你拿走B组。 这一新的僵局已经消失,并且仍在继续。 如果你忘掉了你记忆中的一个栏目,就把这个栏块放在同一个栏目上,并把它 into入。

(所有措辞都应改为大体字节)。 您组成N/M类chu,然后合并。 页: 1

您可以分析中间分类算法(适当修改以包括编印本和编印本),并且发现其效力远远低于合并的I ve。

这一知识是我I/O-algorithms课程的礼貌,由Arge和Buldal(); 我也进行了验证理论的实验:一俟你超过记忆,便需要“几乎无限”的时间。 快速度变得令人难以忍受的缓慢,合并速度极慢,I/O-高效的合并表现良好(最好的是bu)。