Scroll Top
19th Ave New York, NY 95822, USA

数学代写|计算复杂度代写Computational Complexity代考|CSE417 Introduction

如果你也在 怎样代写计算复杂度Computational Complexity CSE417这个学科遇到相关的难题,请随时右上角联系我们的24/7代写客服。计算复杂度Computational Complexity在计算机科学中,一个算法的计算复杂性或简单的复杂性是运行该算法所需的资源数量。特别关注的是计算时间(一般以所需的基本操作的数量来衡量)和内存存储要求。一个问题的复杂性是允许解决该问题的最佳算法的复杂性。

计算复杂度Computational Complexity对明确给出的算法的复杂性的研究被称为算法分析,而对问题的复杂性的研究被称为计算复杂性理论。这两个领域都是高度相关的,因为算法的复杂性总是这个算法所解决的问题的复杂性的一个上限。此外,为了设计有效的算法,将特定算法的复杂性与要解决的问题的复杂性进行比较往往是最基本的。另外,在大多数情况下,人们对一个问题的复杂性的唯一认识是它低于已知的最有效算法的复杂性。因此,算法分析和复杂性理论之间有很大的重叠。

计算复杂度Computational Complexity代写,免费提交作业要求, 满意后付款,成绩80\%以下全额退款,安全省心无顾虑。专业硕 博写手团队,所有订单可靠准时,保证 100% 原创。 最高质量的计算复杂度Computational Complexity作业代写,服务覆盖北美、欧洲、澳洲等 国家。 在代写价格方面,考虑到同学们的经济条件,在保障代写质量的前提下,我们为客户提供最合理的价格。 由于作业种类很多,同时其中的大部分作业在字数上都没有具体要求,因此计算复杂度Computational Complexity作业代写的价格不固定。通常在专家查看完作业要求之后会给出报价。作业难度和截止日期对价格也有很大的影响。

同学们在留学期间,都对各式各样的作业考试很是头疼,如果你无从下手,不如考虑my-assignmentexpert™!

my-assignmentexpert™提供最专业的一站式服务:Essay代写,Dissertation代写,Assignment代写,Paper代写,Proposal代写,Proposal代写,Literature Review代写,Online Course,Exam代考等等。my-assignmentexpert™专注为留学生提供Essay代写服务,拥有各个专业的博硕教师团队帮您代写,免费修改及辅导,保证成果完成的效率和质量。同时有多家检测平台帐号,包括Turnitin高级账户,检测论文不会留痕,写好后检测修改,放心可靠,经得起任何考验!

想知道您作业确定的价格吗? 免费下单以相关学科的专家能了解具体的要求之后在1-3个小时就提出价格。专家的 报价比上列的价格能便宜好几倍。

我们在数学Mathematics代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在组合数学 Combinatorial Mathematics代写方面经验极为丰富,各种组合数学 Combinatorial Mathematics相关的作业也就用不着 说。

数学代写|计算复杂度代写Computational Complexity代考|CSE417 Introduction

数学代写|计算复杂度代写Computational Complexity代考|Introduction

The notion of computation has existed in some form for thousands of years. In its everyday meaning, this term refers to the process of producing an output from a set of inputs in a finite number of steps. Here are three examples for computational tasks:

  • Given two integer numbers, compute their product.
  • Given a set of $n$ linear equations over $n$ variables, find a solution if it exists.
  • Given a list of acquaintances and a list of containing all pairs of individuals who are not on speaking terms with each other, find the largest set of acquaintances you can invite to a dinner party such that you do not invite any two who are not on speaking terms.

In the first half of the 20th century, the notion of “computation” was made much more precise than the hitherto informal notion of “a person writing numbers on a note pad following certain rules.” Many different models of computation were discovered – Turing machines, lambda calculus, cellular automata, pointer machines, bouncing billiards balls, Conway’s Game of life, etc. – and found to be equivalent. More importantly, they are all universal, which means that each is capable of implementing all computations that we can conceive of on any other model (see Chapter 1). The notion of universality motivated the invention of the standard electronic computer, which is capable of executing all possible programs. The computer’s rapid adoption in society in the subsequent half decade brought computation into every aspect of modern life, and made computational issues important in design, planning, engineering, scientific discovery, and many other human endeavors.
However, computation is not just a practical tool, but also a major scientific concept. Generalizing from models such as cellular automata, scientists have come to view many natural phenomena as akin to computational processes. The understanding of reproduction in living things was triggered by the discovery of self-reproduction in computational machines. (In fact, a famous article by Pauli predicted the existence of a DNA-like substance in cells almost a decade before Watson and Crick discovered it.) Today, computational models underlie many research areas in biology and neuroscience. Several physics theories such as QED give a description of nature that is very reminiscent of computation, motivating some scientists to even suggest that the entire universe may be viewed as a giant computer (see Lloyd [?]). In an interesting twist, such physical theories have been used in the past decade to design a model for quantum computation; see Chapter 20.

数学代写|计算复杂度代写Computational Complexity代考|Meaning of effiffifficiency

Now we explain the notion of computational efficiency, using the three examples for computational tasks we mentioned above. We start with the task of multiplying two integers. Consider two different methods (or algorithms) to perform this task. The first is repeated addition: to compute $a \cdot b$, just add $a$ to itself $b-1$ times. The other is the grade-school algorithm illustrated in Figure 1. Though the repeated addition algorithm is perhaps simpler than the grade-school algorithm, we somehow feel that the latter is better. Indeed, it is much more efficient. For example, multiplying 577 by 423 using repeated addition requires 422 additions, whereas doing it with the grade-school algorithm requires only 3 additions and 3 multiplications of a number by a single digit.

We will quantify the efficiency of an algorithm by studying the number of basic operations it performs as the size of the input increases. Here, the basic operations are addition and multiplication of single digits. (In other settings, we may wish to throw in division as a basic operation.) The Web draft 2007-01-08 $21: 59$ size of the input is the number of digits in the numbers. The number of basic operations used to multiply two $n$-digit numbers (i.e., numbers between $10^{n-1}$ and $10^n$ ) is at most $2 n^2$ for the gradeschool algorithm and at least $n 10^{n-1}$ for repeated addition. Phrased this way, the huge difference between the two algorithms is apparent: even for 11-digit numbers, a pocket calculator running the grade-school algorithm would beat the best current supercomputer running the repeated addition algorithm. For slightly larger numbers even a fifth grader with pen and paper would outperform a supercomputer. We see that the efficiency of an algorithm is to a considerable extent much more important than the technology used to execute it.

数学代写|计算复杂度代写Computational Complexity代考|CSE417 Introduction

计算复杂度代写

数学代写|计算复杂度代写Computational Complexity代考|Introduction

.


计算的概念已经以某种形式存在了几千年。在日常生活中,这个术语指的是在有限的步骤中从一组输入中产生输出的过程。下面是计算任务的三个例子:

  • 给定两个整数,计算它们的乘积。
  • 给定一组$n$线性方程,$n$变量,找出它是否存在的解。

给出一份熟人的名单和一份包含所有彼此不说话的人的名单,找出你能邀请参加晚宴的最大的熟人的集合,这样你就不会邀请任何两个不说话的人


在20世纪上半叶,“计算”的概念比迄今为止非正式的“一个人按照一定的规则在笔记本上写数字”的概念要精确得多。人们发现了许多不同的计算模型——图灵机、lambda微积分、细胞自动机、指针机、弹跳台球、康威生命游戏等等——并且发现它们是等价的。更重要的是,它们都是通用的,这意味着它们都能够实现我们在任何其他模型上所能想到的所有计算(见第一章)。通用的概念推动了标准电子计算机的发明,它能够执行所有可能的程序。在随后的五年里,计算机在社会上的迅速普及使计算进入了现代生活的各个方面,并使计算问题在设计、规划、工程、科学发现和许多其他人类事业中变得重要起来。然而,计算不仅是一种实用工具,还是一个重要的科学概念。从细胞自动机等模型中,科学家们开始将许多自然现象视为类似于计算过程的现象。对生物繁殖的理解是由计算机器中自我繁殖的发现引发的。(事实上,泡利的一篇著名文章预测了细胞中存在一种类似dna的物质,而沃森和克里克发现这种物质几乎早了十年。)今天,计算模型是生物学和神经科学许多研究领域的基础。一些物理理论,如QED,对自然界的描述很容易让人联想到计算,这促使一些科学家甚至提出,整个宇宙可以被视为一个巨大的计算机(参见Lloyd[?])。有趣的是,这样的物理理论在过去十年中被用于设计量子计算模型;

数学代写|计算复杂度代写计算复杂度代考|计算效率的含义

. .


现在我们用上面提到的计算任务的三个例子来解释计算效率的概念。我们从两个整数相乘的任务开始。考虑两种不同的方法(或算法)来执行此任务。第一个是重复相加:要计算$a \cdot b$,只需将$a$对自身相加$b-1$次。另一种是图1所示的年级-学校算法。虽然重复加法算法可能比小学算法更简单,但我们总觉得后者更好。事实上,它的效率更高。例如,使用重复加法将577乘以423需要422次加法,而使用小学算法只需要对一个数字进行3次加法和3次个位数乘法


我们将通过研究随着输入大小的增加,算法执行的基本操作的数量来量化算法的效率。在这里,基本的运算是个位数的加法和乘法。(在其他情况下,我们可能希望引入除法作为基本运算。)Web draft 2007-01-08 $21: 59$输入的大小是数字中的位数。对于小学算法,用于乘两个$n$数字(即$10^{n-1}$和$10^n$之间的数字)的基本操作的数量最多为$2 n^2$,对于重复加法,至少为$n 10^{n-1}$。用这种方式表述,两种算法之间的巨大差异是显而易见的:即使是11位数的数字,一个运行小学算法的袖珍计算器也能击败目前运行重复加法算法的最好的超级计算机。对于稍微大一点的数字,即使是一个五年级的拿着纸和笔的学生也能胜过一台超级计算机。我们看到,算法的效率在相当大的程度上要比用于执行它的技术重要得多

数学代写|计算复杂度代写Computational Complexity代考

数学代写|计算复杂度代写Computational Complexity代考 请认准UprivateTA™. UprivateTA™为您的留学生涯保驾护航。

微观经济学代写

微观经济学是主流经济学的一个分支,研究个人和企业在做出有关稀缺资源分配的决策时的行为以及这些个人和企业之间的相互作用。my-assignmentexpert™ 为您的留学生涯保驾护航 在数学Mathematics作业代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在图论代写Graph Theory代写方面经验极为丰富,各种图论代写Graph Theory相关的作业也就用不着 说。

线性代数代写

线性代数是数学的一个分支,涉及线性方程,如:线性图,如:以及它们在向量空间和通过矩阵的表示。线性代数是几乎所有数学领域的核心。

博弈论代写

现代博弈论始于约翰-冯-诺伊曼(John von Neumann)提出的两人零和博弈中的混合策略均衡的观点及其证明。冯-诺依曼的原始证明使用了关于连续映射到紧凑凸集的布劳威尔定点定理,这成为博弈论和数学经济学的标准方法。在他的论文之后,1944年,他与奥斯卡-莫根斯特恩(Oskar Morgenstern)共同撰写了《游戏和经济行为理论》一书,该书考虑了几个参与者的合作游戏。这本书的第二版提供了预期效用的公理理论,使数理统计学家和经济学家能够处理不确定性下的决策。

微积分代写

微积分,最初被称为无穷小微积分或 “无穷小的微积分”,是对连续变化的数学研究,就像几何学是对形状的研究,而代数是对算术运算的概括研究一样。

它有两个主要分支,微分和积分;微分涉及瞬时变化率和曲线的斜率,而积分涉及数量的累积,以及曲线下或曲线之间的面积。这两个分支通过微积分的基本定理相互联系,它们利用了无限序列和无限级数收敛到一个明确定义的极限的基本概念 。

计量经济学代写

什么是计量经济学?
计量经济学是统计学和数学模型的定量应用,使用数据来发展理论或测试经济学中的现有假设,并根据历史数据预测未来趋势。它对现实世界的数据进行统计试验,然后将结果与被测试的理论进行比较和对比。

根据你是对测试现有理论感兴趣,还是对利用现有数据在这些观察的基础上提出新的假设感兴趣,计量经济学可以细分为两大类:理论和应用。那些经常从事这种实践的人通常被称为计量经济学家。

Matlab代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中,其中问题和解决方案以熟悉的数学符号表示。典型用途包括:数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发,包括图形用户界面构建MATLAB 是一个交互式系统,其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题,尤其是那些具有矩阵和向量公式的问题,而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问,这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展,得到了许多用户的投入。在大学环境中,它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域,MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要,工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数(M 文件)的综合集合,可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

Related Posts

Leave a comment