Nano Hash - криптовалюты, майнинг, программирование

Временная сложность алгоритма - n или n*n?

Я пытаюсь выяснить, какова сложность Theta этого алгоритма. (a — список целых чисел)

def sttr(a):
    for i in xrange(0,len(a)):
        while s!=[] and a[i]>=a[s[-1]]:
            s.pop()
        s.append(i)
    return s

С одной стороны, я могу сказать, что append выполняется n (длина массива) раз, поэтому pop тоже, и последнее, что я должен учитывать, это условие while, которое может быть выполнено, вероятно, не более 2n раз.

Из этого я могу сказать, что этот алгоритм не более 4*n, так что это ТЕТА (n).

Но разве это не амортизированный анализ?

С другой стороны могу сказать следующее:

Есть 2 вложенных цикла. Цикл for выполняется ровно n раз. Цикл while может выполняться не более n раз, так как мне приходится удалять элемент на каждой итерации. Таким образом, сложность равна ТЕТА (n*n).

Я хочу вычислить ТЭТА, но не знаю, какой из этих двух вариантов правильный. Не могли бы вы дать мне совет?


  • Тета есть (n) и не находится в амортизированном анализе; У меня пока нет официального доказательства, но я придумаю его позже. Классный вопрос, кстати. 21.03.2016

Ответы:


1

Ответ THETA(n) и ваши аргументы верны.

Это не амортизированный анализ.

Чтобы перейти к амортизированному анализу, вы должны посмотреть на внутренний цикл. Вы не можете легко сказать, как быстро будет выполняться while, если вы проигнорируете остальную часть алгоритма. Наивный подход будет O(N), и это правильно, поскольку это максимальное количество итераций. Однако, поскольку мы знаем, что общее количество выполнений равно O(N) (ваш аргумент) и что это будет выполнено N раз, мы можем сказать, что сложность внутреннего цикла амортизируется за O(1).

21.03.2016
Новые материалы

Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..