تحلیل الگوریتم‌ها: تفاوت میان نسخه‌ها

همان‌طور که در بالا گفته شد، تحلیل الگوریتم به معنای تخمین میزان منابعی است که الگوریتم به آن نیاز دارد. فرض می‌کنیم با یک تک پردازندهٔ عمومی پیاده‌سازی شده با [[حافظه دسترسی تصادفی|حافظه دسترسی تصادفی (RAM)]] طرف هستیم و الگوریتم پیاده‌سازی شدهٔ ما توسط برنامهٔ کامپیوتری، عملیات‌ها را هم‌زمان انجام نمی‌دهد. در مدل RAM دستورات تعریف شده‌ای وجود دارند که اجرا کردن‌شان از یک مقدار ثابتی تبعیت می‌کند، دستوراتی که در ساختار کامیپوتر تعبیه شده‌اند: مانند عملگرهای حسابی (جمع و تقسیم و ضرب و غیره)، علمیات‌های انتقال اطلاعات (ذخیره کردن، رونویسی کردن حافظه، بازخوانی حافظه و غیره) و عملیات‌های کنترل (فراخوانی توابع، بازگشتن‌از دستور و غیره).<ref>2.2 ,CLRS, Analyzing Algorithm</ref>

شبه کد زیر که الگوریتم [[مرتب‌سازی حبابی]] زیررا بهپیاده‌سازی زبان پایتون رامی‌کند در نظر بگیریدنظربگیرید<ref>{{یادکرد وب|نویسنده=|کد زبان=en|تاریخ=|وبگاه=|نشانی=https://www.geeksforgeeks.org/python-program-for-bubble-sort/|عنوان=GeeksForGeeks}}</ref>:<syntaxhighlight lang="py3" line="1" start="1">

nfor j=1 len(arr)to A.length - i

for i in range(n): if A[j]>A[j+1]

for j in range(0, n-i-swap A[j],A[j+1):]

گاهی با [[دنباله|دنباله‌ای]] از اعمال روی [[داده‌ساختار|داده‌ساختاری]] سروکار داریم که هزینه‌شان بالا ولی تعدادشان پایین است و یا برعکس؛ یا اینکه یک عمل که هزینه زیادی دارد موجب می‌شود تا همان عمل در مراحل بعد با هزینهٔ کمتری انجام شود. در این حالت هزینهٔ یک عمل در بدترین حالتش زیاد است، اما اگر میانگین مجموع هزینه‌ها را برای همهٔ اعمال موجود در دنباله حساب کنیم؛ هزینهٔ معقول‌تری نسبت به هزینه در بدترین حالت را به دست آورده‌ایم؛ که به آن هزینهٔ سرشکنی و به روش محاسبه آن تحلیل سرشکنی می‌گویند.<ref>قدسی، داده‌ساختارها و الگوریتم‌ها، {{عدد به فارسی|116}}</ref>

==== روش [[تابع پتانسیل ]]====

=== مسئلهٔ [[شمارنده ]]===

=== مسئلهٔ [[پشته ]]===