1 of 38

CHÀO MỪNG CẢ LỚP �ĐẾN VỚI BÀI HỌC HÔM NAY!

2 of 38

KHỞI ĐỘNG

Quan sát Hình 24.1, chúng ta dễ thấy phép nhân hai số có n chữ số sẽ cần n2 phép nhân và 2n phép cộng, vậy tổng số các phép tính đơn của phép nhân này là n2 + 2n, chúng ta nói độ phức tạp thời gian của phép nhân này có bậc n2.

3 of 38

Năm 1960, trong một tiết dạy về công nghệ thông tin, nhà toán học Nga, Viện sĩ Kolmogorov đã hỏi các sinh viên của mình là có ai tìm được cách tính phép nhân trên với thời gian tốt hơn bậc n2 được không? Đúng một tuần sau, một sinh viên tên là Karatsuba đã đưa cho Viện sĩ Kolmogorov một lời giải tốt hơn về phép tính nhân trên chỉ với độ phức tạp thời gian bậc n1,58496.

Hình minh họa

4 of 38

Quan sát và ước lượng thời gian thực hiện các đoạn chương trình 1 và 2 trong Hình 24.2. Chương trình nào chạy nhanh hơn? Vì sao?

Chương trình 1:

Chương trình 2:

1 n = 100

  1. C = 0
  2. for k in range (n):
  3. C = C + 1
  4. print(C)

1 n = 100

  1. C = 0
  2. for i in range (n):
  3. for j in range(n):
  4. C = C + 1
  5. print(C)

Hình 24.2

5 of 38

Chương trình 1:

Chương trình 2:

1 n = 100

  1. C = 0
  2. for k in range (n):
  3. C = C + 1
  4. print(C)

1 n = 100

  1. C = 0
  2. for i in range (n):
  3. for j in range(n):
  4. C = C + 1
  5. print(C)

Hình 24.2

Chương trình 1 chạy nhanh hơn vì chương trình 1 có 1 vòng lặp, chương trình 2 có 2 vòng lặp.

6 of 38

BÀI 24: ĐÁNH GIÁ ĐỘ PHỨC TẠP THỜI GIAN THUẬT TOÁN

7 of 38

NỘI DUNG BÀI HỌC

01

Đánh giá thời gian thực hiện chương trình

02

Phân tích độ phức tạp thời gian thuật toán

03

Một số quy tắc thực hành tính độ phức tạp thời gian thuật toán

8 of 38

ĐÁNH GIÁ THỜI GIAN THỰC HIỆN CHƯƠNG TRÌNH

01

9 of 38

Thảo luận nhóm đôi

Hoạt động 1:

Quan sát và thực hiện đánh giá thời gian chạy của các chương trình 1 và 2 trong Hình 24.2. Từ đó biết và hiểu được cách đánh giá thời gian thực hiện chương trình.

Hình 24.2

1 n = 100

  1. C = 0
  2. for k in range (n):
  3. C = C + 1
  4. print(C)

Chương trình 1:

1 n = 100

  1. C = 0
  2. for i in range (n):
  3. for j in range(n):
  4. C = C + 1
  5. print(C)

Chương trình 2:

10 of 38

GHI NHỚ

Cách đánh giá thời gian chạy chương trình được dựa trên một bộ khung các nguyên tắc dùng làm căn cứ để tính toán. Các nguyên tắc khung như sau:

  1. Các phép toán đơn giản như phép tính số học + - */ phép lấy thương nguyên và số dư, các phép so sánh sẽ tính là 1 đơn vị thời gian.
  2. Các phép toán lôgic cơ bản như AND, OR, NOT sẽ tính là 1 đơn vị thời gian.

11 of 38

  1. Các lệnh đơn như lệnh gán, lệnh in, đọc dữ liệu.... tính là 1 đơn vị thời gian.
  2. Vòng lặp for hoặc while sẽ được tính thời gian bằng tổng đơn vị thời gian thực hiện của mỗi bước lặp.
  3. Lệnh if với nhiều trường hợp rẽ nhánh sẽ được tính thời gian bằng đơn vị thời gian lớn nhất của các lệnh nhánh.

Áp dụng các nguyên tắc tính khung thời gian trên chúng ta có thể tính được gần chính xác thời gian thực hiện chương trình mà không cần cài đặt và chạy chương trình trên máy tính.

12 of 38

Chú ý

Trong một chương trình, phép toán được thực hiện nhiều nhất và đóng vai trò chính khi thực hiện tính thời gian, được gọi là phép toán tích cực.

Ví dụ:

1 n = 100

  1. C = 0
  2. for k in range (n):
  3. C = C + 1
  4. print(C)

Chương trình 1:

phép toán tích cực

1 n = 100

  1. C = 0
  2. for i in range (n):
  3. for j in range(n):
  4. C = C + 1
  5. print(C)

Chương trình 2:

phép toán tích cực

13 of 38

Câu hỏi củng cố kiến thức

Câu 1 (SGK-tr.113). Các lệnh và đoạn chương trình sau cần chạy trong bao nhiêu đơn vị thời gian?

T(n) =

4n

3

T(n) =

n

3

+ 1

14 of 38

Câu hỏi củng cố kiến thức

Câu 2 (SGK-tr.113). Khẳng định “Trong mọi chương trình chỉ có đúng một phép toán tích cực” là đúng hay sai?

Khẳng định sai

15 of 38

PHÂN TÍCH ĐỘ PHỨC TẠP THỜI GIAN THUẬT TOÁN

02

16 of 38

Thảo luận nhóm đôi

Hoạt động 2:

Cùng trao đổi và tìm hiểu cách phân loại thuật toán dựa trên độ phức tạp thời gian thuật toán.

Kí hiệu O-lớn dùng để đánh giá và phân loại độ phức tạp thời gian của thuật toán khi kích thước đầu vào của bài toán tăng lên vô cùng.

17 of 38

ĐỊNH NGHĨA O-LỚN (BIG-O):

Cho f(n) và g(n) là hai hàm có đối số tự nhiên. Ta viết f(n) = O(g(n)) và nói f(n) có bậc O-lớn của g(n) nếu tồn tại hằng số c > 0 và số tự nhiên n0 ≥ 1 sao cho với mọi n ≥ n0 ta có f(n) ≤ c.g(n). Nếu f(n) là O-lớn của g(n) thì có thể viết f(n) = O(g(n)).

18 of 38

► Các thuật toán sẽ được đánh giá qua độ phức tạp của một số hàm chuẩn như:

  • O(n2) - bình phương
  • O(nk) - đa thức
  • O(an) - lũy thừa
  • O(n!) - giai thừa
  • O(1) - hằng số
  • O(logn) - logarit
  • O(n) - tuyến tính
  • O(nlogn) - tuyến tính logarit

19 of 38

Xét ví dụ:

Chương trình 1 ở Hình 24.2 có hàm thời gian T1(n) = n + 3.

Chọn c = 2, n0 = 3. Khi đó với n ≥ n0 ta có:

T1(n) = n + 3 ≤ n + n = c.n.

Do đó T1(n) = O(n). Chúng ta nói chương trình 1 có độ phức tạp thời gian O(n) - tuyến tính.

1 n = 100

  1. C = 0
  2. for k in range (n):
  3. C = C + 1
  4. print(C)

Chương trình 1:

20 of 38

Xét ví dụ:

 

1 n = 100

  1. C = 0
  2. for i in range (n):
  3. for j in range(n):
  4. C = C + 1
  5. print(C)

Chương trình 2:

21 of 38

Chú ý

  • Các thuật toán với độ phức tạp thời gian từ bậc đa thức trở xuống được gọi là các thuật toán tốt. Các thuật toán ở các mức còn lại sẽ coi là khó.
  • Hình bên mô tả các độ tăng của các hàm chuẩn:

22 of 38

Câu hỏi củng cố kiến thức SGK - tr.114

Tính độ phức tạp của các hàm thời gian sau:

a) T(n) = 2n(n – 2) + 4. b) T(n) = n3 + 5n – 3.

T(n) = O(n2)

T(n) = O(n3)

23 of 38

MỘT SỐ QUY TẮC THỰC HÀNH TÍNH ĐỘ PHỨC TẠP THỜI GIAN THUẬT TOÁN

03

24 of 38

Thảo luận nhóm đôi

Hoạt động 3:

Đọc, quan sát, thảo luận để biết một số quy tắc đơn giản tính độ phức tạp thời gian thuật toán.

Quy tắc 1:

Quy tắc cộng: O(f(n) + g(n)) = O(max(f(n)))

Quy tắc này được áp dụng khi tính độ phức tạp thời gian cho hai chương trình được thực hiện nối tiếp nhau.

Ví dụ: T(n) = n2 + 2n = O(max(n2, 2n)) = O(n2).

25 of 38

Quy tắc 2:

Quy tắc nhân:

Quy tắc này áp dụng tính độ phức tạp cho chương trình có hai vòng lặp lồng nhau.

Phép nhân với hàm số:

O(f(n).g(n)) = O(f(n).O(gn))).

Ví dụ: T(n) = 10n2 = O(n2) (Quy tắc nhân với hằng số)

T(n) = 3n2 + nlogn = O(max(3n2, nlogn)) (Quy tắc cộng) = O(3n2) = O(n2) (Quy tắc nhân với hằng số).

26 of 38

Vì sao khi nói đến bậc thời gian logarit thì hay chỉ viết O(logn) mà không viết cụ thể các hàm có cơ số, ví dụ log2n, log6n hay log10n?

Vì tất cả các hàm logarit đó đều cùng bậc. Điều này suy từ công thức:

logan = logab.logbn

logab là hằng số nên theo quy tắc nhân ta có logan có cùng bậc với logbn.

27 of 38

Áp dụng các quy tắc trên để tính độ phức tạp của các hàm thời gian sau:

a) T(n) = n3 + nlogn + 2n + 1.

b) T(n) = 3n4 + 2n2logn + 10.

Câu hỏi củng cố kiến thức SGK - tr.114

= O(n3) (Quy tắc cộng).

= O(3n4) (Quy tắc cộng) = O(n4) (Quy tắc nhân với hằng số).

28 of 38

BÀI TẬP TRẮC NGHIỆM

Câu 1: Giả sử một chương trình P mô tả một thuật toán nào đó. Người ta đo được các thông tin thời gian sau:

  • T1 = thời gian chương trình nhập dữ liệu input và đưa vào bộ nhớ.
  • T2 = thời gian chạy chương trình từ khi nhập xong dữ liệu input và tính xong dữ liệu output.
  • T3 = thời gian đưa dữ liệu output ra thiết bị ngoài chuẩn.

Khi đó thời gian chạy chương trình T(n) dùng để tính độ phức tạp thời gian của thuật toán là phương án nào trong các phương án sau?

A. T1 + T2.

B. T2

C. T2 + T3.

D. T1 + T2 + T3

29 of 38

Câu 2: Cho chương trình sau:

1 <input n - số tự nhiên dương>

2 S = 0

3 for i in range(1, n + 1):

4 S = S + i*i

5 print(S)

Kết quả đánh giá thời gian chạy chương trình T(n) là:

A. n + 2

B. 2n

C. n2

D. log2n.

30 of 38

Câu 3: Độ phức tạp của hàm n + 2n.log2(n) + 10 theo kí hiệu O-lớn là:

A. n

B. 2n

C. nlog2n

D. nlogn

Câu 4: Độ phức tạp của hàm 2n2 + 3n3log5(n) + n3/2 theo kí hiệu O-lớn là:

A. 2n2

B. 2n2 + n3.logn.

C. n3.logn.

D. n3/2.

31 of 38

Câu 5: Độ phức tạp của hàm 2n + 3n + 5n theo kí hiệu O-lớn là

A. 2n.

B. 3n.

C. 4n.

D. 5n.

32 of 38

LUYỆN TẬP

Bài 1 (SGK - tr.114). Xác định độ phức tạp thời gian tính toán cho chương trình sau:

1 n = 1000

2 S = 0

3 for i in range (n):

4 S = S + i(i+1)

5 print(S)

T(n) = 2n + 2 = O(n)

33 of 38

Bài 2 (SGK - tr.114). Xác định độ phức tạp thời gian tính toán cho chương trình sau:

1 n = 1000

2 Sum = 0

3 i = 1

4 while i < n:

5 i = i*2

6 Sum = Sum + i

7 print(Sum)

T(n) = 2log2n + 2 = O(logn)

34 of 38

VẬN DỤNG

Bài 1 (SGK - tr.114). Xác định độ phức tạp thời gian của thuật toán sắp xếp chọn đã được học trong Bài 21.

Các thuật toán sắp xếp đã học đều có độ phức tạp thời gian O(n2).

35 of 38

Bài 2 (SGK - tr.114). Em hãy thiết lập chương trình và tính thời gian thực tế trên máy tính của các chương trình 1 và 2 ở Hình 24.2 với các giá trị n khác nhau, từ đó thấy được ý nghĩa sự khác biệt độ phức tạp thời gian của hai chương trình này.

Hình 24.2

1 n = 100

  1. C = 0
  2. for k in range (n):
  3. C = C + 1
  4. print(C)

Chương trình 1:

1 n = 100

  1. C = 0
  2. for i in range (n):
  3. for j in range(n):
  4. C = C + 1
  5. print(C)

Chương trình 2:

36 of 38

Chương trình có thể thực hiện như sau:

37 of 38

HƯỚNG DẪN VỀ NHÀ

1

2

3

Ghi nhớ kiến thức đã học trong bài

Hoàn thành bài tập trong SBT

Chuẩn bị bài mới - Bài 25

38 of 38

CẢM ƠN SỰ CHÚ Ý

LẮNG NGHE CỦA CÁC EM!