


Bagaimanakah Penapisan Algoritma Eratosthenes Boleh Dioptimumkan untuk Penjanaan Nombor Perdana yang Lebih Cepat?
Ayak Eratosthenes
Ayak Eratosthenes ialah algoritma purba, tetapi ia masih digunakan hari ini sebagai cara yang mudah dan cekap untuk mencari semua nombor perdana di bawah nombor tertentu . Algoritma berfungsi dengan menandakan gandaan bagi setiap nombor perdana secara berulang, bermula dengan 2.
Berikut ialah pelaksanaan Python bagi Ayak Eratosthenes:
def sieve_of_eratosthenes(n): """Return a list of all prime numbers below n.""" # Create a list of all numbers from 2 to n. numbers = list(range(2, n + 1)) # Iterate over the numbers in the list. for i in range(2, int(n ** 0.5) + 1): # If the number is prime, mark off all its multiples. if numbers[i] != -1: for j in range(i * i, n + 1, i): numbers[j] = -1 # Return the list of prime numbers. return [i for i in numbers if i != -1]
Algoritma ini agak mudah untuk dilaksanakan, dan ia agak cekap. Sebagai contoh, ia boleh menemui semua nombor perdana di bawah 1 juta dalam kira-kira 0.1 saat pada komputer moden.
Kerumitan Masa
Kerumitan masa Ayakan Eratosthenes ialah O(n log log n) . Ini bermakna algoritma mengambil masa O(n) untuk mencipta senarai semua nombor daripada 2 hingga n, dan masa O(log log n) diperlukan untuk menandakan semua gandaan setiap nombor perdana.
Bolehkah ia dibuat dengan lebih pantas?
Terdapat beberapa cara untuk menjadikan Sieve of Eratosthenes sekata lebih pantas:
- Gunakan struktur data yang lebih cekap. Senarai semua nombor dari 2 hingga n boleh disimpan dalam struktur data yang lebih cekap, seperti vektor bit. Ini boleh mengurangkan keperluan ruang algoritma dan meningkatkan prestasinya.
- Gunakan algoritma penandaan yang lebih cekap. Algoritma untuk menandakan semua gandaan setiap nombor perdana boleh dibuat lebih cekap dengan menggunakan roda ayak. Ini boleh mengurangkan kerumitan masa algoritma kepada O(n).
- Selarikan algoritma. Algoritma boleh diselaraskan untuk memanfaatkan berbilang teras pada komputer moden. Ini boleh meningkatkan lagi prestasi algoritma.
Berikut ialah pelaksanaan Python bagi versi Sieve of Eratosthenes yang lebih pantas:
import numpy as np def sieve_of_eratosthenes_fast(n): """Return a list of all prime numbers below n.""" # Create a bit vector to store the prime numbers. primes = np.ones(n // 2 + 1, dtype=np.bool) # Mark off all the multiples of 2. primes[3::2] = False # Iterate over the odd numbers from 3 to n. for i in range(3, int(n ** 0.5) + 1, 2): # If the number is prime, mark off all its multiples. if primes[i // 2]: primes[i * i // 2::i] = False # Return the list of prime numbers. return [2] + [2 * i + 1 for i in range(1, n // 2 + 1) if primes[i]]
Algoritma ini lebih pantas daripada versi asal daripada Sieve of Eratosthenes, dan ia boleh menemui semua bilangan prima di bawah 1 juta dalam kira-kira 0.01 saat pada komputer moden.
Atas ialah kandungan terperinci Bagaimanakah Penapisan Algoritma Eratosthenes Boleh Dioptimumkan untuk Penjanaan Nombor Perdana yang Lebih Cepat?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Untuk memaksimumkan kecekapan pembelajaran Python dalam masa yang terhad, anda boleh menggunakan modul, masa, dan modul Python. 1. Modul DateTime digunakan untuk merakam dan merancang masa pembelajaran. 2. Modul Masa membantu menetapkan kajian dan masa rehat. 3. Modul Jadual secara automatik mengatur tugas pembelajaran mingguan.

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Pythonlistsarepartofthestandardlibrary, sementara

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Aplikasi Python dalam pengkomputeran saintifik termasuk analisis data, pembelajaran mesin, simulasi berangka dan visualisasi. 1.Numpy menyediakan susunan pelbagai dimensi yang cekap dan fungsi matematik. 2. Scipy memanjangkan fungsi numpy dan menyediakan pengoptimuman dan alat algebra linear. 3. Pandas digunakan untuk pemprosesan dan analisis data. 4.Matplotlib digunakan untuk menghasilkan pelbagai graf dan hasil visual.
