时间复杂度和空间复杂度的概念
衡量一个算法的好坏,要从时间和空间两个维度来衡量,时间复杂度主要衡量一个算法运行的快慢,空间复杂度衡量一个算法运行所需要的额外空间,在现在,空间复杂度显得没那么重要,所以我们接下来主要来理解时间复杂度。
时间复杂度
算法的时间复杂度是一个函数,他定量的描述了一个算法执行的时间,但由于数据量不同,环境不同,配置不同,从理论上来说是不能算出来的,但我们可以知道,一个算法执行的时间与执行的次数成正比例,所以,一个算法基本执行的次数,就是时间复杂度。
引例
void func(int n)
{
int cnt = 0;
for (int i = 0; i < n; i++)
{
for (int j = 0; j < n; j++)
{
cnt++;
}
}
for (int i = 0; i < 2 * n; i++)
{
cnt++;
}
int M = 10;
while (M--)
{
cnt--;
}
printf("%d\n", cnt);
}
上图的算法时间复杂度为nn+2n+10,但实际上我们不会用这个函数去表示时间复杂度,我们只会去看时间复杂度的级别,所以我们经常只会保留对这个函数式影响最大的那个数量级,也就是n*n,这就是大O渐进表示法。
大O渐进表示法:
1.用1表示运行时间中所有加法常数。
2.在修改后的运行次数函数中,只保留最高阶项。
3.如果最高阶存在且不是1,则去除与这个项相乘的常数,得到的结果就是大O阶
例1
void func(int m, int n)
{
int cnt = 0;
for (int i = 0; i < m; i++)
{
cnt++;
}
for (int j = 0; j < n; j++)
{
cnt++;
}
}
上图我们用大O渐进表示法可以知道这个时间复杂度为O(m+n),但m和n是没有建立关系的,除非有给出关系n远大于m或者m远大于n,否则无法消去任何一项。
例2
void func()
{
int cnt = 0;
for (int i = 0; i < 100000; i++)
{
cnt++;
}
}
上图的时间复杂度为O(1),因为这个算法执行次数是常数次,不管是100,1000,还是100000次的时间复杂度都是O(1)。
例3
计算strchr的时间复杂度:
const char* strchr(const char* str, int character)
{
while(*str)
{
if(*str==character)
return str;
else
++str;
}
}
上图的时间复杂度为O(n)。
有些算法的时间复杂度存在最好,最坏和平均的情况:
最好情况:任意输入的最小运行次数
最坏情况:任意输入的最大运行次数
平均情况:任意输入的期望运行情况
eg.在一个长度为n的数组里进行查找
最好:1次 最坏:n次 平均:n/2次
实际情况中一般关注算法的最坏情况,所以数组中搜索数据的时间为O(n)。
例4
int Search(int* arr, int n, int x)
{
assert(arr);
int left = 0, right = n - 1;
while (left <= right)
{
int mid = left + (right - left) / 2;
if (arr[mid] > x)
{
right = mid-1;
}
else if (arr[mid] < x)
{
left = mid+1;
}
else
{
return mid;
}
}
}
上图的时间复杂度为O(log n)
例5
long long func(int n)
{
if (0 == n)
return 1;
else
return func(n - 1)*n;
}
上述算法的时间复杂度为O(n)
long long func(int n)
{
if (0 == n)
return 1;
int cnt=0;
for(int i=0;i<n;i++)
{
cnt++;
}
else
return func(n - 1)*n;
}
上述代码的时间复杂度为O(n^2)
例6
int func(int n)
{
if(n<3)
return 1;
return func(n-1)+func(n-2);
}
上述代码的时间复杂度是2^n,可以画二叉树来理解。
根据上图我们可以看出斐波那契数列算法的递归运行数量呈2的指数倍级别增长。
空间复杂度
空间复杂度是一个数学表达式,是对一个算法运行过程中临时占用的储存空间大小的量度,算多少字节的空间是没有意义的,空间复杂度算的是变量的个数,也用大O渐进表示法表示,函数所需要的栈空间在编译的时候就已经确认好了,因此空间复杂度主要通过函数在运行过程中的额外空间确定。
引例
void bubblesort(int* arr, int n)
{
for (int i = n; i > 0; i--)
{
int ex = 0;
for (int j = 1; j < i; j++)
{
if (arr[j - 1] > arr[j])
{
//swap(arr[j - 1], arr[j]);
int tmp = arr[j - 1];
arr[j - 1] = arr[j];
arr[j] = tmp;
ex = 1;
}
}
if (ex == 0)
break;
}
}
上图代码的空间复杂度为O(1),因为arr是本身必须有的空间,而不是为了排序而临时开的空间,所以在算空间复杂度的时候不能将其计算在内,而像i,j这种变量是常数个,所以空间复杂度为O(1)。
例1
long long* func(size_t n)
{
if (n == 0)
return NULL;
long long* fib = (long long*)malloc((n + 1) * sizeof(long long));
fib[0] = 0;
fib[1] = 1;
for (int i = 0; i <= n; i++)
{
fib[i] = fib[i - 1] + fib[i - 2];
}
return fib;
}
上图代码的空间复杂度为O(n)。
例2
long long Fib(size_t n)
{
if(n < 3)
return 1;
return Fib(n-1)+Fib(n-2);
}
上图代码的空间复杂度是O(n),在这里我们要考虑到递归调用的栈帧的消耗,比如说Fib(n)并不是同时调用Fib(n-1)和Fib(n-2),而是先调用其中一个,往深不断不断向下,建立n个栈帧,然后最深的那一层往回走的时候,右边和左边会调用同一个栈帧,所以自始至终只有n个栈帧在重复调用。从这里我们可以知道,空间是可以重复利用的。
如上图,func(1)和func(2)公用同一个栈帧,可以用下图代码验证
void func1()
{
int a=0;
printf("%p\n",&a);
}
void func2()
{
int a=0;
printf("%p\n",&a);
}
int main()
{
func1();
func2();
return 0;
}
运行结果如下图所示,两个地址是一样的(x64环境下)