假设现在的计算机比Appel做实验时所用的计算机快1000倍。如果使用相同的总计算时间（大约一天），对于O（n²）算法和O（nlog n）算法，问题的规模n分别增加到多少

假设使用相同的总计算时间来运行O(n²)算法和O(nlogn)算法，现在的计算机比Appel做实验时所用的计算机快1000倍。

对于O(n²)算法，时间复杂度为T1 = k1 * n²，其中k1是一个与n无关的常数，表示对于每个输入规模n，算法需要的总计算时间。现在的计算机比Appel做实验时所用的计算机快1000倍，因此，总计算时间变为原来的1/1000，即：

T1' = T1 / 1000 = k1 * n² / 1000

对于O(nlogn)算法，时间复杂度为T2 = k2 * nlogn，其中k2是一个与n无关的常数。现在的计算机比Appel做实验时所用的计算机快1000倍，因此，总计算时间变为原来的1/1000，即：

T2' = T2 / 1000 = k2 * nlogn / 1000

将T1'和T2'相等，求解n，可以得到：

k1 * n² / 1000 = k2 * nlogn / 1000

n = (k2 / k1) * logn

将logn移项，得到：

n - (k2 / k1) * logn = 0

因此，问题的规模n为logn的解，即：

n = e^(k2 / k1)

其中，e是自然对数的底数，约等于2.71828。

综上所述，对于O(n²)算法和O(nlogn)算法，问题的规模n分别增加到e^(k2 / k1)。

相关问题

python的模糊查询

Python的模糊查询可以使用一些第三方库实现，比如fuzzywuzzy和difflib。这些库可以用于比较两个字符串之间的相似度，并返回一个匹配程度的分值。具体实现方式可以使用编辑距离算法，基于字符的相似度来计算两个字符串的相似程度。这种方法可以用于实现模糊搜索或自动纠错等功能。

以下是一个使用fuzzywuzzy库进行模糊查询的例子：

from fuzzywuzzy import fuzz

# 定义一个字符串列表
choices = ["apple", "banana", "orange", "kiwi"]

# 使用process.extract方法进行模糊查询
result = fuzz.process.extract("appel", choices, limit=2)

print(result)

以上代码中，我们定义了一个字符串列表choices，并将其作为目标数据源。接着使用process.extract方法对输入的字符串"appel"进行模糊查询，返回匹配程度最高的两个结果。输出结果为：

[('apple', 90), ('kiwi', 29)]

其中第一个元素为匹配结果，第二个元素为匹配分值。在这个例子中，"apple"与"appel"的匹配分值为90，而"kiwi"的匹配分值为29。

模糊综合评价法 python

模糊综合评价法（Fuzzy Comprehensive Evaluation）是一种利用模糊数学理论对复杂问题进行评价和决策的方法。在Python中，可以使用模糊逻辑库（例如fuzzywuzzy）来实现模糊综合评价法。

首先，你需要安装模糊逻辑库。可以使用以下命令通过pip安装：

pip install fuzzywuzzy

接下来，你需要导入所需的模块：

from fuzzywuzzy import fuzz
from fuzzywuzzy import process

然后，你可以使用模糊逻辑库中提供的函数来计算模糊相似度、匹配度等评价指标。例如，可以使用`fuzz.ratio()`函数来计算两个字符串的相似度：

string1 = "apple"
string2 = "appel"
similarity = fuzz.ratio(string1, string2)
print(similarity)

你还可以使用`process.extractOne()`函数来找到一个字符串在一组字符串中最匹配的字符串：

choices = ["apple", "banana", "orange"]
query = "appel"
best_match = process.extractOne(query, choices)
print(best_match)

这只是使用模糊逻辑库进行模糊综合评价的简单示例，你可以根据具体的评价需求和数据类型进行更复杂的应用和调整。