Tempo análise de complexidade de código
-
07-07-2019 - |
Pergunta
int foo(int n)
{
int x=2;
while (x<n)
{
x = x*x*x;
}
return x;
}
Eu preciso analisar sua complexidade de tempo. Notei que ele atinja n
muito mais rápido do que apenas log(n)
. Quero dizer, ele faz menos etapas do que O(log(n))
faria. Eu li a resposta, mas não têm idéia de como eles chegaram a ele: É O(log(log(n))
. Agora, como você aborda essa pergunta?
Solução
Let
Em seguida, a resposta correta é O (L3 (L2 (n)) e não com O (L2 (L2 (n)).
Comece com x = x * 2 . x vai aumentar exponencialmente até atingir N, tornando assim a complexidade O (L2 (n))
Agora, considere x = x * x . x aumenta mais rapidamente do que o acima. Em cada iteração o valor de x salta para o quadrado de seu valor anterior. Fazendo uma matemática simples, aqui é o que temos:
Para x = 2 n = 4, iterações feita = 1 n = 16, iterações feita = 2 n = 256, tomada iterações = 3 n = 65536, iterações feita = 4
Assim, a complexidade de tempo é
Agora, chegando ao seu problema, x = x * x * x . Isto irá aumentar ainda mais rápido do que x = x * x. Aqui está a tabela:
Para x = 2 n = 8, iterações feita = 1 n = 512, tomada iterações = 2 N = (512 * 512 * 512), feita iterações = 3 e assim por diante
Se você olhar para isso com cuidado, este acaba por ser O (L3 (L2 (n)) . L2 (n) você vai ter a potência de dois, mas desde que você está tomando cubo de x em cada iteração, você terá que tomar log à base 3 do mesmo para descobrir o número correto de iteração tomadas.
Então eu acho que a resposta correta é O (log-to-base-3 (log-to-base-2 (n))
Generalizando este, se
Outras dicas
pensar nisso como uma função recursiva:
f(i) = f(i-1)^3
Se você expandi-lo:
f(i) = ((f(i-k)^3)^3)[...k times] = f(i-k)^(3^k) = f(0)^(3^i)
a função cresce à medida que o poder do poder ... assim o tempo (iterações) para alcançar um determinado número (isto é, calculando o inverso da função) é o logaritmo do logaritmo.
Como no seu exemplo f(0) = 2
, queremos saber quando f(i) >= n
sendo n
o parâmetro de entrada (e i
o número de iterações):
f(i) = 2^(3^i) >= n
3^i >= log_2(n)
i >= log_3(log_2(n))
Assim, para chegar a um valor de n
, ele takes log_3(log_2(n))
iterações (até rodada ao lidar com números inteiros para ultrapassá-lo).
Se a função seria:
f(i) = 2*f(i-1) //e.g. x=2*x
então o padrão seria:
f(i) = 2*2*[...k times]*f(i-k) = f(i-k)*(2^k) = f(0)*(2^i)
E, neste caso, em seguida, o inverso da função seria uma única logaritmo na base 2.
A minha matemática não é muito rigoroso, mas eu espero que você começa a idéia.
Pense em como x muda com o número de iterações através do laço. Cada vez, você cubo-lo. Então, depois de iterações i, o valor será de 2 em cubos, cubos de novo ... e assim por diante, vezes eu. Vamos uso x (i) para denotar essa expressão. Digamos x (0) = 2, x (1) = 2 3, etc (estou usando um b significar um elevado à potência bth).
Estamos a fazer quando x (i)> = n. Quanto tempo leva? Vamos resolver para i.
First, we take a log on both sides: ln(x(i))>=ln(n) ln(x(i)) = ln(x(i-1))*3 = ln(x(i-2))*(3**2) = ... = ln(x(0))*(3**i) (the above uses [this property][1]: ln(x**b)==ln(x)*b) so, 3**i * 2 >=ln(n). Let's take another logarithm: ln(3**i * 2) = ln(2) + ln(3)*i so ln(2) + ln(3)* i >= ln(ln(n)) Now we can solve for i: i >= ( ln(ln(n))-ln(2) ) / ln(3)
Nós podemos ignorar os fatores constantes, e ficamos com a conclusão de que vamos dar log (log (n)) passos. Essa é a complexidade do algoritmo.
Felizmente, quebrar todos os passos como isso ajuda.
Se o código dentro do loop while foram
x = 2*x;
x n atingiria em O (log (n)) iterações. Desde que você está cubing x em vez de apenas multiplicação por uma constante, você vai chegar n mais rápido.
Dada
log ( A * x ) == log ( A ) + log ( x )
log ( x * x * x ) == 3 * log ( x )
Assim
log ( log ( x * x * x ) ) == log ( 3 * log ( x ) )
== log ( 3 ) + log ( log ( x ) )
Quanto mais rápido ou mais lento (medida pelo número de iterações do loop) irá esta função seja do que a sua função?
int log_foo ( int n )
{
double log_x = log ( 2 );
const double log_n = log ( n );
while ( log_x < log_n )
{
log_x = 3 * log_x;
}
return exp ( log_x );
}
E quanto mais rápido ou mais lento vai esta função seja do que a sua função?
int log_log_foo ( int n )
{
double log_log_x = log ( log ( 2 ) );
const double log_log_n = log ( log ( n ) );
const double log_3 = log ( 3 );
while ( log_log_x < log_log_n )
{
log_log_x += log_3;
}
return exp ( exp ( log_log_x ) );
}
Mas esta função apenas incrementos log_log_x
por uma constante, por isso é fácil de trabalhar para fora como muitas iterações ele faz.
Let i
ser o número de iteração passos e x(i)
o valor de x
após as etapas i
. Temos
x(0) = 2
x(i) = x(i-1)³
O número total de passos é a maior i
para que x(i) < n
.
Temos
log x(i) = log x(i-1)³
= 3·log x(i-1)
= 3·log x(i-2)³
= 3²·log x(i-2)
= 3^i·log x(0)
= 3^i·log 2
⇒ log log x(i) = log (3^i·log 2)
= log 3^i + log log 2
= i·log 3 + log log 2
O logaritmo é estritamente crescente, então
x(i) < n ⇔ log log x(i) < log log n
⇔ i·log 3 + log log 2 < log log n
⇔ i < (log log n - log log 2) / log 3 ∈ O(log log n)
Por que não adicionar uma variável de contador para contar o número de iterações do loop. Imprimi-lo pouco antes de a função retorna.
Em seguida, chamar a função de uma gama de valores, por exemplo 3 a 1.000.000 para começar. Em seguida, traçar o seu resultado usando algo como GNUPlot .
Em seguida, ver se o gráfico corresponde a uma curva conhecida.