算法设计实验报告
院系：计算机科学学院专业：计算机科学与技术年级： 2010级课程名称：算法设计与分析基础班号：组号： 3 指导教师：邢光林2012年 12月 30 日组员学号姓名实验名称算法实验整体框架的构建实验室9#205实验目的或要求1. 实验题目算法实验主菜单的设计。
2．实验目的⑴熟悉实验环境VC＋＋6.0；⑵复习C、C++语言以及数据结构课程的相关知识，实现课程间的平滑过度；3. 实验要求1）设计的主菜单可以是图形模式的，也可以是控制台模式的。
以控制台为例，主菜单大致如下：－－－－－－－－－－－－－－－－－－－－－－－－－《算法设计与分析》实验－－－－－－－－－－－－－－－－－－－－－－－－－1.算法分析基础——Fibonacci序列问题2.分治法在数值问题中的应用——最近点对问题3.减治法在组合问题中的应用——8枚硬币问题4.变治法在排序问题中的应用——堆排序问题5.动态规划法在图问题中的应用——全源最短路径问题99. 退出本实验－－－－－－－－－－－－－－－－－－－－－－－－－请输入您所要执行的操作（1，2，3，4，5，99）：2）点击操作后进入相应的实验项目或是相应项目的下一级菜单；3）可以反复执行，直到退出实验。
程序代码void menu();int main(){Fibonacci fibonacciImpl;Heapsort heapsortImpl;Martrix martrixImpl;Thecoin thecoinImpl;int chose;menu();cin>>chose;while(chose!=99){switch(chose){case 1:{fibonacciImpl.fib1();cout<<endl;fibonacciImpl.fib2();break;} case 2:{martrixImpl.martrix();break;}case 3:{thecoinImpl.Fake_coin();break;}case 4:{heapsortImpl.heapsort();break;}case 5:{break;}default:cout<<"请按序号输入操作"<<endl;}menu();cin>>chose;}return 0;}void menu(){cout<<"---------------------------------------"<<endl;cout<<" 《《算法设计与分析》》实验"<<endl;cout<<"---------------------------------------"<<endl;cout<<"1. 算法分析基础——Fibonacci序列问题"<<endl;cout<<"2. 分治法在数值问题中的应用——矩阵相乘问题"<<endl;cout<<"3. 减治法在组合问题中的应用——8枚硬币问题"<<endl;cout<<"4. 变治法在排序问题中的应用——堆排序问题"<<endl;cout<<"5. 动态规划法在图问题中的应用——全源最短路径问题"<<endl;cout<<"99.退出本实验"<<endl;}实验结果及分析实验名称算法分析基础——Fibonacci序列问题实验室9#205实验目的或要求实验题目给定一个非负整数n，计算第n个Fibonacci数实验目的1）理解递归算法和迭代算法的设计思想以及递归程序的调式技术2）掌握并应用递归算法和迭代算法效率的理论分析(前验分析)和实际分析(后验分析)方法；3）理解这样一个观点：不同的算法可以解决相同的问题，这些算法的解题思路不同，复杂程度不同，效率也不同；实验要求1）使用教材2.5节中介绍的迭代算法Fib(n),找出最大的n,使得第n个Fibonacci 数不超过计算机所能表示的最大整数，并给出具体的执行时间；2）对于要求1),使用教材2.5节中介绍的递归算法F(n)进行计算,同样给出具体的执行时间，并同1)的执行时间进行比较；3）对于输入同样的非负整数n，比较上述两种算法基本操作的执行次数；4）对1)中的迭代算法进行改进，使得改进后的迭代算法其空间复杂度为Θ(1)；5）设计可供用户选择算法的交互式菜单(放在相应的主菜单下)。
实验原理（算法基本思想）1、递归法基本思想递归就是定义一个函数，让它自己调用自己。
Fib（int n）//输入整数n，输出第n个斐波那契数{if(n=0)return 0;Else if(n=1)return 1;Else return Fib(n-1)+Fib(n-2)}2、迭代法这种方法相对于递归法来说在时间复杂度上减小了不少，但代码相对就要复杂些了。
Fib（int n）//输入整数n，输出第n个斐波那契数{if(n=0)return 0;Else if(n=1)return 1;ElseF0←0;F1←1;for(i=2;i<n-2;i++){F2=f1+f0; //f1表示当前的值 F0←F1F1←F2;}Return F2;}程序代码//Fibonacci数列#ifndef FINBONACCI_H //头文件#define FINBONACCI_Hclass Fibonacci{public:double fibonacci(int i,int& count);//计算fibonacciint fib2();int fib1();};#endifint Fibonacci::fib2(){int i=1;double fib=0;int count;double x=INT_MAX;while(fib<x){i++;count=1;fib=fibonacci(i,count);cout<<i<<" "<<fib<<endl;}cout<<"使用迭代算法时"<<endl;cout<<"第"<<i<<"会超过INT所能表示的最大值"<<endl;cout<<"总共进行了"<<count<<"次操作"<<endl;return 0;}int Fibonacci::fib1(){double fib=0;double a=0;double b=1;int count=0;double x=INT_MAX;int i;for(i=1;fib<x;i++){fib=a+b;a=b;b=fib;count++;}i--;cout<<"使用迭代算法时"<<endl;cout<<"第"<<i<<"会超过INT表示的值"<<endl;cout<<"共做"<<count<<"次操作"<<endl;return 0;}double Fibonacci::fibonacci(int i,int& count){count++;if(i<=1) return 1;return (fibonacci(i-1,count)+fibonacci(i-2,count)); }实验结果及分析通过比较两种方法求Fibonacci数列所用的时间，可以发现迭代法的效率明显高于递归法。
同时也明白了不同的算法可以解决相同的问题，这些算法的解题思路不同，复杂程度不同，效率也不同。
实验名称分治法在数值问题中的应用——矩阵相乘问题实验室9#205实验目的或要求实验题目设M1和M2是两个n×n的矩阵，设计算法计算M1×M2的乘积。
实验目的1）提高应用蛮力法设计算法的技能；2）深刻理解并掌握分治法的设计思想；3）理解这样一个观点：用蛮力法设计的算法，一般来说，经过适度的努力后，都可以对其进行改进，以提高算法的效率。
实验要求1）设计并实现用BF方法求解矩阵相乘问题的算法；2）设计并实现用DAC方法求解矩阵相乘问题的算法；3）以上两种算法的输入既可以手动输入，也可以自动生成；4）对上述两个算法进行时间复杂性分析，并设计实验程序验证分析结果；5）设计可供用户选择算法的交互式菜单(放在相应的主菜单下)。
实验原理（算法基本思想）1）蛮力法求解蛮力法比较简单，直接使用矩阵相乘公式计算矩阵的每行每列的值，很容易就能得出答案2）分治法求解分治法思想将问题实例划分为同一问题的几个较小的实例。
对这些较小实例求解，通常使用递归方法，但在问题规模足够小时，也会使用另一种算法。
如果有必要，合并这些问题的解，以得到原始问题的解。
求解矩阵相乘的DAC算法，使用了strassen算法。
DAC（A[]，B[]，n）{If n=2 使用7次乘法的方法求得解ElseDivide（A）//把A分成4块Divide（B）//把B分成4块调用7次strassen算法求得解的4块合并这4块得到解并返回}程序代码//矩阵相乘问题#ifndef MARTRIX_H#define MARTRIX_Hstruct TSMartrix{int data[100][100];int mu;//矩阵的行数int nu;//矩阵的列数};class Martrix{public:void martrix() ;//随机生成一个矩阵void Rand_CreateSMartrix(struct TSMartrix &M);//输出矩阵到控制台void OutputSMartrix(struct TSMartrix M);//分治法--两个矩阵相乘void DAC_MultSMatrix(struct TSMartrix M,struct TSMartrix N,struct TSMartrix &Q);//分割矩阵void divide(struct TSMartrix M,struct TSMartrix &M00,struct TSMartrix &M01,struct TSMartrix &M10,struct TSMartrix &M11);//合并矩阵void merge(struct TSMartrix &Q,struct TSMartrix M00,struct TSMartrix M01,struct TSMartrix M10,struct TSMartrix M11);//矩阵相加struct TSMartrix AddSMatrix(struct TSMartrix M,struct TSMartrix N);//矩阵相减struct TSMartrix SubSMatrix(struct TSMartrix M,struct TSMartrix N);private:struct TSMartrix M00,M01,M10,M11;struct TSMartrix N00,N01,N10,N11;struct TSMartrix Q00,Q01,Q10,Q11;struct TSMartrix s1,s2,s3,s4,s5,s6,s7;};#endifvoid Martrix::martrix(){long start,end;struct TSMartrix M,N,Q;do{Rand_CreateSMartrix(M);Rand_CreateSMartrix(N);if(M.mu!=N.mu||M.mu!=M.nu||N.mu!=N.nu)printf("两个矩阵不同维，无法用分治法!!!\n"); }while(M.nu!=N.mu||M.mu!=M.nu||N.mu!=N.nu);Q.mu=M.mu;Q.nu=M.mu;start=clock();DAC_MultSMatrix(M,N,Q);end=clock();printf("矩阵M：\n");OutputSMartrix(M);printf("矩阵N：\n");OutputSMartrix(N);printf("矩阵M*N：\n");OutputSMartrix(Q);printf("历时%ld毫秒\n",end-start);}//随机生成一个矩阵void Martrix::Rand_CreateSMartrix(struct TSMartrix &M) {int i,j;printf("请输入矩阵的行数，列数：");scanf("%d%d",&M.mu,&M.nu);srand((unsigned)time(NULL));for(i=0;i<M.mu;i++)for(j=0;j<M.nu;j++)M.data[i][j]=rand()%10;printf("生成成功!\n");}//输出矩阵void Martrix::OutputSMartrix(struct TSMartrix M){int i,j;for(i=0;i<M.mu;i++){for(j=0;j<M.nu;j++)printf("%-5d",M.data[i][j]);puts("\n");}}//分治法--两个矩阵相乘void Martrix::DAC_MultSMatrix(struct TSMartrix M,struct TSMartrix N,struct TSMartrix &Q) {int n=M.mu;if(n==2){int m1,m2,m3,m4,m5,m6,m7;m1=(M.data[0][0]+M.data[1][1])*(N.data[0][0]+N.data[1][1]);m2=(M.data[1][0]+M.data[1][1])*N.data[0][0];m3=M.data[0][0]*(N.data[0][1]-N.data[1][1]);m4=M.data[1][1]*(N.data[1][0]-N.data[0][0]);m5=(M.data[0][0]+M.data[0][1])*N.data[1][1];m6=(M.data[1][0]-M.data[0][0])*(N.data[0][0]+N.data[0][1]);m7=(M.data[0][1]-M.data[1][1])*(N.data[1][0]+N.data[1][1]);Q.data[0][0]=m1+m4-m5+m7;Q.data[0][1]=m3+m5;Q.data[1][0]=m2+m4;Q.data[1][1]=m1+m3-m2+m6;}else{n=n/2;M00.mu=M01.mu=M10.mu=M11.mu=M00.nu=M01.nu=M10.nu=M11.nu=N00.mu=N01.mu=N10.mu=N11.mu=N0 0.nu=N01.nu=N10.nu=N11.nu=n;s1.mu=s1.nu=s2.mu=s2.nu=s3.mu=s3.nu=s4.mu=s4.nu=s5.mu=s5.nu=s6.mu=s6.nu=s7.mu=s7.nu=n;divide(M,M00,M01,M10,M11);divide(N,N00,N01,N10,N11);DAC_MultSMatrix(AddSMatrix(M00,M11),AddSMatrix(N00,N11),s1);DAC_MultSMatrix(AddSMatrix(M10,M11),N00,s2);DAC_MultSMatrix(M00,SubSMatrix(N01,N11),s3);DAC_MultSMatrix(M11,SubSMatrix(N10,N00),s4);DAC_MultSMatrix(AddSMatrix(M00,M01),N11,s5);DAC_MultSMatrix(SubSMatrix(M10,M00),AddSMatrix(N00,N01),s6);DAC_MultSMatrix(SubSMatrix(M01,M11),AddSMatrix(N10,N11),s7);Q00=AddSMatrix(s1,AddSMatrix(s4,SubSMatrix(s7,s5)));Q01=AddSMatrix(s3,s5);Q10=AddSMatrix(s2,s4);Q11=AddSMatrix(s1,AddSMatrix(s3,SubSMatrix(s6,s2)));merge(Q,Q00,Q01,Q10,Q11);}}//分割矩阵void Martrix::divide(struct TSMartrix M,struct TSMartrix &M00,struct TSMartrix &M01,struct TSMartrix &M10,struct TSMartrix &M11){int n=M00.mu;int i,j;for(i=0;i<n;i++)for(j=0;j<n;j++){M00.data[i][j]=M.data[i][j];M01.data[i][j]=M.data[i][n+j];M10.data[i][j]=M.data[n+i][j];M11.data[i][j]=M.data[n+i][j+n];}}//合并矩阵void Martrix::merge(struct TSMartrix &Q,struct TSMartrix M00,struct TSMartrix M01,struct TSMartrix M10,struct TSMartrix M11){int n=M00.mu;int i,j;for(i=0;i<n;i++)for(j=0;j<n;j++){Q.data[i][j]=M00.data[i][j];Q.data[i][j+n]=M01.data[i][j];Q.data[i+n][j]=M10.data[i][j];Q.data[i+n][j+n]=M11.data[i][j];}}//矩阵相加struct Martrix::TSMartrix AddSMatrix(struct TSMartrix M,struct TSMartrix N){struct TSMartrix Q;int n=M.mu;int i,j;Q.mu=Q.nu=n;for(i=0;i<n;i++)for(j=0;j<n;j++)Q.data[i][j]=M.data[i][j]+N.data[i][j];return Q;}//矩阵相减struct Martrix::TSMartrix SubSMatrix(struct TSMartrix M,struct TSMartrix N) {struct TSMartrix Q;int n=M.mu;int i,j;Q.mu=Q.nu=n;for(i=0;i<n;i++)for(j=0;j<n;j++)Q.data[i][j]=M.data[i][j]-N.data[i][j];return Q;}实验结果及分析经过这个实验，我明白了蛮力法几乎可以解决所有的问题，但是算法的效率不高。
算法实验报告
算法实验报告算法实验报告引言：算法是计算机科学的核心内容之一，它是解决问题的方法和步骤的描述。
算法的设计和分析是计算机科学与工程中的重要研究方向之一。
本实验旨在通过对算法的实际应用和实验验证，深入理解算法的性能和效果。
实验一：排序算法的比较在本实验中，我们将比较三种常见的排序算法：冒泡排序、插入排序和快速排序。
我们将通过对不同规模的随机数组进行排序，并记录每种算法所需的时间和比较次数，以评估它们的性能。
实验结果显示，快速排序是最快的排序算法，其时间复杂度为O(nlogn)，比较次数也相对较少。
插入排序的时间复杂度为O(n^2)，比较次数较多，但对于小规模的数组排序效果较好。
而冒泡排序的时间复杂度也为O(n^2)，但比较次数更多，效率相对较低。
实验二：图的最短路径算法在图的最短路径问题中，我们将比较Dijkstra算法和Floyd-Warshall算法的效率和准确性。
我们将使用一个带权有向图，并计算从一个顶点到其他所有顶点的最短路径。
实验结果表明，Dijkstra算法适用于单源最短路径问题，其时间复杂度为O(V^2)，其中V为顶点数。
而Floyd-Warshall算法适用于多源最短路径问题，其时间复杂度为O(V^3)。
两种算法在准确性上没有明显差异，但在处理大规模图时，Floyd-Warshall算法的效率较低。
实验三：动态规划算法动态规划是一种通过将问题分解成子问题并记录子问题的解来解决复杂问题的方法。
在本实验中，我们将比较两种动态规划算法：0-1背包问题和最长公共子序列问题。
实验结果显示，0-1背包问题的动态规划算法可以有效地找到最优解，其时间复杂度为O(nW)，其中n为物品个数，W为背包容量。
最长公共子序列问题的动态规划算法可以找到两个序列的最长公共子序列，其时间复杂度为O(mn)，其中m和n分别为两个序列的长度。
结论：通过本次实验，我们对不同算法的性能和效果有了更深入的了解。
排序算法中，快速排序是最快且效率最高的；在图的最短路径问题中，Dijkstra算法和Floyd-Warshall算法分别适用于不同的场景；动态规划算法可以解决复杂的问题，并找到最优解。
算法课设实验报告(3篇)
第1篇一、实验背景与目的随着计算机技术的飞速发展，算法在计算机科学中扮演着至关重要的角色。
为了加深对算法设计与分析的理解，提高实际应用能力，本实验课程设计旨在通过实际操作，让学生掌握算法设计与分析的基本方法，学会运用所学知识解决实际问题。
二、实验内容与步骤本次实验共分为三个部分，分别为排序算法、贪心算法和动态规划算法的设计与实现。
1. 排序算法（1）实验目的：熟悉常见的排序算法，理解其原理，比较其优缺点，并实现至少三种排序算法。
（2）实验内容：- 实现冒泡排序、快速排序和归并排序三种算法。
- 对每种算法进行时间复杂度和空间复杂度的分析。
- 编写测试程序，对算法进行性能测试，比较不同算法的优劣。
（3）实验步骤：- 分析冒泡排序、快速排序和归并排序的原理。
- 编写三种排序算法的代码。
- 分析代码的时间复杂度和空间复杂度。
- 编写测试程序，生成随机测试数据，测试三种算法的性能。
- 比较三种算法的运行时间和内存占用。
2. 贪心算法（1）实验目的：理解贪心算法的基本思想，掌握贪心算法的解题步骤，并实现一个贪心算法问题。
（2）实验内容：- 实现一个贪心算法问题，如活动选择问题。
- 分析贪心算法的正确性，并证明其最优性。
（3）实验步骤：- 分析活动选择问题的贪心策略。
- 编写贪心算法的代码。
- 分析贪心算法的正确性，并证明其最优性。
- 编写测试程序，验证贪心算法的正确性。
3. 动态规划算法（1）实验目的：理解动态规划算法的基本思想，掌握动态规划算法的解题步骤，并实现一个动态规划算法问题。
（2）实验内容：- 实现一个动态规划算法问题，如背包问题。
- 分析动态规划算法的正确性，并证明其最优性。
（3）实验步骤：- 分析背包问题的动态规划策略。
- 编写动态规划算法的代码。
- 分析动态规划算法的正确性，并证明其最优性。
- 编写测试程序，验证动态规划算法的正确性。
三、实验结果与分析1. 排序算法实验结果：- 冒泡排序：时间复杂度O(n^2)，空间复杂度O(1)。
算法分析与设计实验报告
算法分析与设计实验报告算法分析与设计实验报告一、引言算法是计算机科学的核心，它们是解决问题的有效工具。
算法分析与设计是计算机科学中的重要课题，通过对算法的分析与设计，我们可以优化计算机程序的效率，提高计算机系统的性能。
本实验报告旨在介绍算法分析与设计的基本概念和方法，并通过实验验证这些方法的有效性。
二、算法分析算法分析是评估算法性能的过程。
在实际应用中，我们常常需要比较不同算法的效率和资源消耗，以选择最适合的算法。
常用的算法分析方法包括时间复杂度和空间复杂度。
1. 时间复杂度时间复杂度衡量了算法执行所需的时间。
通常用大O表示法表示时间复杂度，表示算法的最坏情况下的运行时间。
常见的时间复杂度有O(1)、O(log n)、O(n)、O(n log n)和O(n^2)等。
其中，O(1)表示常数时间复杂度，O(log n)表示对数时间复杂度，O(n)表示线性时间复杂度，O(n log n)表示线性对数时间复杂度，O(n^2)表示平方时间复杂度。
2. 空间复杂度空间复杂度衡量了算法执行所需的存储空间。
通常用大O表示法表示空间复杂度，表示算法所需的额外存储空间。
常见的空间复杂度有O(1)、O(n)和O(n^2)等。
其中，O(1)表示常数空间复杂度，O(n)表示线性空间复杂度，O(n^2)表示平方空间复杂度。
三、算法设计算法设计是构思和实现算法的过程。
好的算法设计能够提高算法的效率和可靠性。
常用的算法设计方法包括贪心算法、动态规划、分治法和回溯法等。
1. 贪心算法贪心算法是一种简单而高效的算法设计方法。
它通过每一步选择局部最优解，最终得到全局最优解。
贪心算法的时间复杂度通常较低，但不能保证得到最优解。
2. 动态规划动态规划是一种将问题分解为子问题并以自底向上的方式求解的算法设计方法。
它通过保存子问题的解，避免重复计算，提高算法的效率。
动态规划适用于具有重叠子问题和最优子结构的问题。
3. 分治法分治法是一种将问题分解为更小规模的子问题并以递归的方式求解的算法设计方法。
算法冒泡排序实验报告(3篇)
第1篇一、实验目的本次实验旨在通过实现冒泡排序算法，加深对排序算法原理的理解，掌握冒泡排序的基本操作，并分析其性能特点。
二、实验内容1. 冒泡排序原理冒泡排序是一种简单的排序算法，它重复地遍历要排序的数列，一次比较两个元素，如果它们的顺序错误就把它们交换过来。
遍历数列的工作是重复地进行，直到没有再需要交换，也就是说该数列已经排序完成。
2. 实验步骤（1）设计一个冒泡排序函数，输入为待排序的数组，输出为排序后的数组。
（2）编写一个主函数，用于测试冒泡排序函数的正确性和性能。
（3）通过不同的数据规模和初始顺序，分析冒泡排序的性能特点。
3. 实验环境（1）编程语言：C语言（2）开发环境：Visual Studio Code（3）测试数据：随机生成的数组、有序数组、逆序数组三、实验过程1. 冒泡排序函数设计```cvoid bubbleSort(int arr[], int n) {int i, j, temp;for (i = 0; i < n - 1; i++) {for (j = 0; j < n - i - 1; j++) {if (arr[j] > arr[j + 1]) {temp = arr[j];arr[j] = arr[j + 1];arr[j + 1] = temp;}}}}```2. 主函数设计```cinclude <stdio.h>include <stdlib.h>include <time.h>int main() {int n;printf("请输入数组长度：");scanf("%d", &n);int arr = (int )malloc(n sizeof(int)); if (arr == NULL) {printf("内存分配失败\n");return 1;}// 生成随机数组srand((unsigned)time(NULL));for (int i = 0; i < n; i++) {arr[i] = rand() % 100;}// 冒泡排序bubbleSort(arr, n);// 打印排序结果printf("排序结果：\n");for (int i = 0; i < n; i++) {printf("%d ", arr[i]);}printf("\n");// 释放内存free(arr);return 0;}```3. 性能分析（1）对于随机生成的数组，冒泡排序的平均性能较好，时间复杂度为O(n^2)。
算法设计与分析实验报告(中南民族大学)
院系：计算机科学学院专业：年级：课程名称：算法设计与分析基础班号：组号：指导教师：年月日实验结果及分析1.求最大数2.递归法与迭代法性能比较递归迭代3.改进算法1.利用公式法对第n项Fibonacci数求解时可能会得出错误结果。
主要原因是由于double类型的精度还不够，所以程序算出来的结果会有误差，要把公式展开计算。
2.由于递归调用栈是一个费时的过程，通过递归法和迭代法的比较表明，虽然递归算法的代码更精简更有可读性，但是执行速度无法满足大数问题的求解。
3.在当前计算机的空间较大的情况下，在一些速度较慢的问题中，空间换时间是一个比较周全的策略。
实验原理（算法基本思想）定义：若A=(a ij), B=(b ij)是n×n的方阵，则对i,j=1,2,…n，定义乘积C=A⋅B 中的元素c ij为：1.分块解法通常的做法是将矩阵进行分块相乘，如下图所示：二．Strassen解法分治法思想将问题实例划分为同一问题的几个较小的实例。
对这些较小实例求解，通常使用递归方法，但在问题规模足够小时，也会使用另一种算法。
如果有必要，合并这些问题的解，以得到原始问题的解。
求解矩阵相乘的DAC算法，使用了strassen算法。
DAC（A[]，B[]，n）{If n=2 使用7次乘法的方法求得解ElseDivide（A）//把A分成4块Divide（B）//把B分成4块调用7次strassen算法求得解的4块合并这4块得到解并返回}伪代码Serial_StrassenMultiply(A, B, C) {T1 = A0 + A3;T2 = B0 + B3;StrassenMultiply(T1, T2, M1);T1 = A2 + A3;StrassenMultiply(T1, B0, M2);T1 = (B1 - B3);StrassenMultiply (A0, T1, M3);T1 = B2 - B0;StrassenMultiply(A3, T1, M4);T1 = A0 + A1;StrassenMultiply(T1, B3, M5);T1 = A2 – A0;T2 = B0 + B1;StrassenMultiply(T1, T2, M6);T1 = A1 – A3;T2 = B2 + B3;StrassenMultiply(T1, T2, M7);C0 = M1 + M4 - M5 + M7C1 = M3 + M5C2 = M2 + M4C3 = M1 - M2 + M3 + M6}实验结果及分析时间复杂度1.分块相乘总共用了8次乘法，因而需要Θ(n log28)即Θ(n3)的时间复杂度。
《算法设计与分析》课程实验报告 (贪心算法(一))
《算法设计与分析》课程实验报告实验序号：07实验项目名称：实验8 贪心算法（一）一、实验题目1.删数问题问题描述：键盘输入一个高精度的正整数N（不超过250 位），去掉其中任意k个数字后剩下的数字按原左右次序将组成一个新的非负整数。
编程对给定的N 和k，寻找一种方案使得剩下的数字组成的新数最小。
若输出前有0则舍去2.区间覆盖问题问题描述：设x1,x2,...xn是实轴上的n个点。
用固定长度为k的闭区间覆盖n个点，至少需要多少个这样的固定长度的闭区间？请你设计一个有效的算法解决此问题。
3.会场安排问题问题描述：假设要在足够多的会场里安排一批活动，并希望使用尽可能少的会场。
设计一个有效的贪心算法进行安排。
（这个问题实际上是著名的图着色问题。
若将每一个活动作为图的一个顶点，不相容活动间用边相连。
使相邻顶点着有不同颜色的最小着色数，相应于要找的最小会场数。
）4.导弹拦截问题问题描述：某国为了防御敌国的导弹袭击，发展出一种导弹拦截系统。
但是这种导弹拦截系统有一个缺陷：虽然它的第一发炮弹能够到达任意的高度，但是以后每一发炮弹都不能高于前一发的高度。
某天，雷达捕捉到敌国的导弹来袭。
由于该系统还在试用阶段，所以只有一套系统，因此有可能不能拦截所有的导弹。
给定导弹依次飞来的高度（雷达给出的高度数据是≤50000的正整数），计算这套系统最多能拦截多少导弹，如果要拦截所有导弹最少要配备多少套这种导弹拦截系统。
二、实验目的（1）通过实现算法，进一步体会具体问题中的贪心选择性质，从而加强对贪心算法找最优解步骤的理解。
（2）掌握通过迭代求最优的程序实现技巧。
（3）体会将具体问题的原始数据预处理后（特别是以某种次序排序后），常能用贪心求最优解的解决问题方法。
三、实验要求（1）写出题1的最优子结构性质、贪心选择性质及相应的子问题。
（2）给出题1的贪心选择性质的证明。
（3）（选做题）：写出你的算法的贪心选择性质及相应的子问题，并描述算法思想。
算法设计与分析实验报告
实验一找最大和最小元素与归并分类算法实现（用分治法）一、实验目的1．掌握能用分治法求解的问题应满足的条件；2．加深对分治法算法设计方法的理解与应用；3．锻炼学生对程序跟踪调试能力；4．通过本次实验的练习培养学生应用所学知识解决实际问题的能力。
二、实验内容1、找最大和最小元素输入n 个数，找出最大和最小数的问题。
2、归并分类将一个含有n个元素的集合，按非降的次序分类（排序）。
三、实验要求（1）用分治法求解问题（2）上机实现所设计的算法；四、实验过程设计（算法设计过程）1、找最大和最小元素采用分治法，将数组不断划分，进行递归。
递归结束的条件为划分到最后若为一个元素则max和min都是这个元素，若为两个取大值赋给max，小值给min。
否则就继续进行划分，找到两个子问题的最大和最小值后，比较这两个最大值和最小值找到解。
2、归并分类使用分治的策略来将一个待排序的数组分成两个子数组，然后递归地对子数组进行排序，最后将排序好的子数组合并成一个有序的数组。
在合并过程中，比较两个子数组的首个元素，将较小的元素放入辅助数组，并指针向后移动，直到将所有元素都合并到辅助数组中。
五、源代码1、找最大和最小元素#include<iostream>using namespace std;void MAXMIN(int num[], int left, int right, int& fmax, int& fmin); int main() {int n;int left=0, right;int fmax, fmin;int num[100];cout<<"请输入数字个数：";cin >> n;right = n-1;cout << "输入数字:";for (int i = 0; i < n; i++) {cin >> num[i];}MAXMIN(num, left, right, fmax, fmin);cout << "最大值为：";cout << fmax << endl;cout << "最小值为：";cout << fmin << endl;return 0;}void MAXMIN(int num[], int left, int right, int& fmax, int& fmin) { int mid;int lmax, lmin;int rmax, rmin;if (left == right) {fmax = num[left];fmin = num[left];}else if (right - left == 1) {if (num[right] > num[left]) {fmax = num[right];fmin = num[left];}else {fmax = num[left];fmin = num[right];}}else {mid = left + (right - left) / 2;MAXMIN(num, left, mid, lmax, lmin);MAXMIN(num, mid+1, right, rmax, rmin);fmax = max(lmax, rmax);fmin = min(lmin, rmin);}}2、归并分类#include<iostream>using namespace std;int num[100];int n;void merge(int left, int mid, int right) { int a[100];int i, j,k,m;i = left;j = mid+1;k = left;while (i <= mid && j <= right) {if (num[i] < num[j]) {a[k] = num[i++];}else {a[k] = num[j++];}k++;}if (i <= mid) {for (m = i; m <= mid; m++) {a[k++] = num[i++];}}else {for (m = j; m <= right; m++) {a[k++] = num[j++];}}for (i = left; i <= right; i++) { num[i] = a[i];}}void mergesort(int left, int right) { int mid;if (left < right) {mid = left + (right - left) / 2;mergesort(left, mid);mergesort(mid + 1, right);merge(left, mid, right);}}int main() {int left=0,right;int i;cout << "请输入数字个数：";cin >> n;right = n - 1;cout << "输入数字:";for (i = 0; i < n; i++) {cin >> num[i];}mergesort(left,right);for (i = 0; i < n; i++) {cout<< num[i];}return 0;}六、运行结果和算法复杂度分析1、找最大和最小元素图1-1 找最大和最小元素结果算法复杂度为O(logn）2、归并分类图1-2 归并分类结果算法复杂度为O(nlogn）实验二背包问题和最小生成树算法实现（用贪心法）一、实验目的1．掌握能用贪心法求解的问题应满足的条件；2．加深对贪心法算法设计方法的理解与应用；3．锻炼学生对程序跟踪调试能力；4．通过本次实验的练习培养学生应用所学知识解决实际问题的能力。
常见算法设计实验报告(3篇)
第1篇一、实验目的通过本次实验，掌握常见算法的设计原理、实现方法以及性能分析。
通过实际编程，加深对算法的理解，提高编程能力，并学会运用算法解决实际问题。
二、实验内容本次实验选择了以下常见算法进行设计和实现：1. 排序算法：冒泡排序、选择排序、插入排序、快速排序、归并排序、堆排序。
2. 查找算法：顺序查找、二分查找。
3. 图算法：深度优先搜索（DFS）、广度优先搜索（BFS）、最小生成树（Prim算法、Kruskal算法）。
4. 动态规划算法：0-1背包问题。
三、实验原理1. 排序算法：排序算法的主要目的是将一组数据按照一定的顺序排列。
常见的排序算法包括冒泡排序、选择排序、插入排序、快速排序、归并排序和堆排序等。
2. 查找算法：查找算法用于在数据集中查找特定的元素。
常见的查找算法包括顺序查找和二分查找。
3. 图算法：图算法用于处理图结构的数据。
常见的图算法包括深度优先搜索（DFS）、广度优先搜索（BFS）、最小生成树（Prim算法、Kruskal算法）等。
4. 动态规划算法：动态规划算法是一种将复杂问题分解为子问题，通过求解子问题来求解原问题的算法。
常见的动态规划算法包括0-1背包问题。
四、实验过程1. 排序算法（1）冒泡排序：通过比较相邻元素，如果顺序错误则交换，重复此过程，直到没有需要交换的元素。
（2）选择排序：每次从剩余元素中选取最小（或最大）的元素，放到已排序序列的末尾。
（3）插入排序：将未排序的数据插入到已排序序列中适当的位置。
（4）快速排序：选择一个枢纽元素，将序列分为两部分，使左侧不大于枢纽，右侧不小于枢纽，然后递归地对两部分进行快速排序。
（5）归并排序：将序列分为两半，分别对两半进行归并排序，然后将排序好的两半合并。
（6）堆排序：将序列构建成最大堆，然后重复取出堆顶元素，并调整剩余元素，使剩余元素仍满足最大堆的性质。
2. 查找算法（1）顺序查找：从序列的第一个元素开始，依次比较，直到找到目标元素或遍历完整个序列。
排序算法设计实验报告总结
排序算法设计实验报告总结1. 引言排序算法是计算机科学中最基础的算法之一，它的作用是将一组数据按照特定的顺序进行排列。
在现实生活中，我们经常需要对一些数据进行排序，比如学生成绩的排名、图书按照标题首字母进行排序等等。
因此，了解不同的排序算法的性能特点以及如何选择合适的排序算法对于解决实际问题非常重要。
本次实验旨在设计和实现几种经典的排序算法，并对其进行比较和总结。
2. 实验方法本次实验设计了四种排序算法，分别为冒泡排序、插入排序、选择排序和快速排序。
实验采用Python语言进行实现，并通过编写测试函数对算法进行验证。
测试函数会生成一定数量的随机数，并对这些随机数进行排序，统计算法的执行时间和比较次数，最后将结果进行记录和分析。
3. 测试结果及分析3.1 冒泡排序冒泡排序是一种简单且常用的排序算法，其基本思想是从待排序的数据中依次比较相邻的两个元素，如果它们的顺序不符合要求，则交换它们的位置。
经过多轮的比较和交换，最小值会逐渐冒泡到前面。
测试结果显示，冒泡排序在排序1000个随机数时，平均执行时间为0.981秒，比较次数为499500次。
从执行时间和比较次数来看，冒泡排序的性能较差，对于大规模数据的排序不适用。
3.2 插入排序插入排序是一种简单但有效的排序算法，其基本思想是将一个待排序的元素插入到已排序的子数组中的正确位置。
通过不断将元素插入到正确的位置，最终得到排序好的数组。
测试结果显示，插入排序在排序1000个随机数时，平均执行时间为0.892秒，比较次数为249500次。
插入排序的性能较好，因为其内层循环的比较次数与待排序数组的有序程度相关，对于近乎有序的数组排序效果更好。
3.3 选择排序选择排序是一种简单但低效的排序算法，其基本思想是在待排序的数组中选择最小的元素，将其放到已排序数组的末尾。
通过多次选择和交换操作，最终得到排序好的数组。
测试结果显示，选择排序在排序1000个随机数时，平均执行时间为4.512秒，比较次数为499500次。
关于算法的实验报告(3篇)
第1篇一、实验目的1. 理解快速排序算法的基本原理和实现方法。
2. 掌握快速排序算法的时间复杂度和空间复杂度分析。
3. 通过实验验证快速排序算法的效率。
4. 提高编程能力和算法设计能力。
二、实验环境1. 操作系统：Windows 102. 编程语言：C++3. 开发工具：Visual Studio 2019三、实验原理快速排序算法是一种分而治之的排序算法，其基本思想是：选取一个基准元素，将待排序序列分为两个子序列，其中一个子序列的所有元素均小于基准元素，另一个子序列的所有元素均大于基准元素，然后递归地对这两个子序列进行快速排序。
快速排序算法的时间复杂度主要取决于基准元素的选取和划分过程。
在平均情况下，快速排序的时间复杂度为O(nlogn)，但在最坏情况下，时间复杂度会退化到O(n^2)。
四、实验内容1. 快速排序算法的代码实现2. 快速排序算法的时间复杂度分析3. 快速排序算法的效率验证五、实验步骤1. 设计快速排序算法的C++代码实现，包括以下功能：- 选取基准元素- 划分序列- 递归排序2. 编写主函数，用于生成随机数组和测试快速排序算法。
3. 分析快速排序算法的时间复杂度。
4. 对不同规模的数据集进行测试，验证快速排序算法的效率。
六、实验结果与分析1. 快速排序算法的代码实现```cppinclude <iostream>include <vector>include <cstdlib>include <ctime>using namespace std;// 生成随机数组void generateRandomArray(vector<int>& arr, int n) {srand((unsigned)time(0));for (int i = 0; i < n; ++i) {arr.push_back(rand() % 1000);}}// 快速排序void quickSort(vector<int>& arr, int left, int right) { if (left >= right) {return;}int i = left;int j = right;int pivot = arr[(left + right) / 2]; // 选取中间元素作为基准 while (i <= j) {while (arr[i] < pivot) {i++;}while (arr[j] > pivot) {j--;}if (i <= j) {swap(arr[i], arr[j]);i++;j--;}}quickSort(arr, left, j);quickSort(arr, i, right);}int main() {int n = 10000; // 测试数据规模vector<int> arr;generateRandomArray(arr, n);clock_t start = clock();quickSort(arr, 0, n - 1);clock_t end = clock();cout << "排序用时：" << double(end - start) / CLOCKS_PER_SEC << "秒" << endl;return 0;}```2. 快速排序算法的时间复杂度分析根据实验结果，快速排序算法在平均情况下的时间复杂度为O(nlogn)，在最坏情况下的时间复杂度为O(n^2)。