Algorithm 理解最长公共子序列算法的时间复杂度
我不理解最长公共子序列算法的递归函数所具有的Algorithm 理解最长公共子序列算法的时间复杂度,algorithm,recursion,lcs,subsequence,Algorithm,Recursion,Lcs,Subsequence,我不理解最长公共子序列算法的递归函数所具有的O(2^n)复杂性 通常,我可以将这个符号与算法的基本操作数(在本例中是比较)联系起来,但这一次在我看来没有意义 例如,有两个长度相同的字符串5。在最坏的情况下,递归函数计算251比较。而2^5甚至不接近该值 有人能解释这个函数的算法复杂性吗 def lcs(xstr, ystr): global nComp if not xstr or not ystr: return "" x, xs, y, ys = xs
O(2^n)
复杂性
通常,我可以将这个符号与算法的基本操作数(在本例中是比较)联系起来,但这一次在我看来没有意义
例如,有两个长度相同的字符串5
。在最坏的情况下,递归函数计算251
比较。而2^5
甚至不接近该值
有人能解释这个函数的算法复杂性吗
def lcs(xstr, ystr):
global nComp
if not xstr or not ystr:
return ""
x, xs, y, ys = xstr[0], xstr[1:], ystr[0], ystr[1:]
nComp += 1
#print("comparing",x,"with",y)
if x == y:
return x + lcs(xs, ys)
else:
return max(lcs(xstr, ys), lcs(xs, ystr), key=len)
O(2^n)
表示运行时间与足够大的n
成比例。这并不意味着这个数字是坏的、高的、低的,或者任何特定于一个小的n
,它也没有给出计算绝对运行时间的方法
为了得到隐含的意思,你应该考虑N=1000, 2000, 3000,甚至100万,200万等的运行时间。
在您的示例中,假设对于n=5,算法的最大迭代次数为251次,那么
O(n)
预测是,对于n=50,它将在2^(50)/2^(5)的范围内*251
=2^45*251
=~8.8E15
迭代。要正确理解它,请仔细查看图表,并在阅读图表时遵循自上而下的递归方法
Here, xstr = "ABCD"
ystr = "BAEC"
lcs("ABCD", "BAEC") // Here x != y
/ \
lcs("BCD", "BAEC") <-- x==y --> lcs("ABCD", "AEC") x==y
| |
| |
lcs("CD", "AEC") <-- x!=y --> lcs("BCD", "EC")
/ \ / \
/ \ / \
/ \ / \
lcs("D","AEC") lcs("CD", "EC") lcs("BCD", "C")
/ \ / \ / \
lcs("", "AEC") lcs("D","EC") lcs("CD", "C") lcs("BCD","")
| \ / \ | / |
Return lcs("", "EC") lcs("D" ,"C") lcs("D", "") lcs("CD","") Return
/ \ / \ / \ / \
Return lcs("","C") lcs("D","") lcs("","") Return lcs("D","") Return
/ \ / \ / / \
Return lcs("","") Return lcs("", "") Return
| |
Return Return
这里,xstr=“ABCD”
ystr=“BAEC”
lcs(“ABCD”,“BAEC”)//这里x!=Y
/ \
lcs(“BCD”、“BAEC”)lcs(“ABCD”、“AEC”)x==y
| |
| |
信用证(“CD”、“AEC”)信用证(“BCD”、“EC”)
/ \ / \
/ \ / \
/ \ / \
信用证(“D”、“AEC”)信用证(“CD”、“EC”)信用证(“BCD”、“C”)
/ \ / \ / \
lcs(“,”AEC“)lcs(“D”,“EC”)lcs(“CD”,“C”)lcs(“BCD”,”)
| \ / \ | / |
返回lcs(“,”EC“)lcs(“,”D“,”C“)lcs(“,”)lcs(“,”CD“,”)返回
/ \ / \ / \ / \
返回lcs(“,”C“)lcs(“,”)lcs(“,”)返回lcs(“,”)返回
/ \ / \ / / \
返回lcs(“,”)返回lcs(“,”)返回
| |
返回
注意:递归调用的正确表示方法通常是使用树方法,但我在这里使用图方法只是为了压缩树,这样人们就可以很容易地理解递归调用。当然,我也很容易代表
- 因为,在上图中存在一些冗余对,如
,这是从lcs(“CD”、“EC”)
中的lcs(“CD”、“AEC”)
中删除“AEC”
,以及从“A”
lcs(“BCD”、“EC”)中的
中删除“BCD”
。因此,在执行时会多次调用这些对,这增加了程序的时间复杂性“B”
- 正如您很容易看到的,每对都会为其下一个级别生成两个结果,直到遇到任何空字符串或
。因此,如果字符串的长度为n,m(考虑到xstr的长度为x==y
,而ystr的长度为n
,我们正在考虑最坏的情况)。然后,我们将在订单的末尾显示数字结果:2n+m。(怎么做?想想)m
xstr=“ABC”
和ystr=“EF”
创建一个类似于的树(不是我在这里显示的图形)。我希望你能理解
任何疑问,欢迎评论。您可能希望包括您正在查看并试图理解的特定算法描述。大O复杂性决定了函数如何在非常大的值下增长,直至常数因子。一个算法可以是O(1),但仍然需要1亿次运算。或O(n)
并对n=1
执行50000次操作,对n=2
执行10000次操作。这完全取决于它如何随着N的任意增大而增长。此外,5是一个非常小的n
值。没有算法,就没什么可说的了。@CollinD但是有两个字符串,它们的大小甚至可能不同,n是什么?我将算法添加到帖子中。在这种情况下,n很可能是较长字符串的长度。好的,我明白了,但是有两个字符串,它们的大小甚至可能不同,什么是n?因为最长的公共子序列永远不会比较短的字符串长,所以它可能是较短字符串的长度。不是说它太重要了(2^n)并不意味着与2^n成正比。@Aganju它不是更长的长度吗