在日常编程学习的过程中,我们是如何判断一个算法它的优劣好坏之分呢?在算法编写成可执行程序后,运行时需要消耗时间资源和空间资源,所以一般我们从时间和空间两个维度上去衡量算法的优劣,即时间和空间复杂度。时间复杂度主要衡量一个算法的运行快慢,而空间复杂度主要衡量一个算法运行所需要的额外空间。
时间复杂度是一个数学函数,它定量描述了算法的运行时间。算法中基本操作的执行次数,为算法的时间复杂度。
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N ; ++ i)
{
for (int j = 0; j < N ; ++ j)
{
++count;
}
}
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
}
就比如上图的Func1(),定量计算++count的执行次数为N*2+2*N+M;
我们可以观察到,当N越来越大时,2*N+M对F(N)的影响越来越小
实际上,我们可以用clock函数来表示程序调用的时间(clock函数表示从程序调用开始到运行clock函数所调用的时间)
在上图中,我们可以清晰地认识到,由于cpu每秒能够执行的语句非常多,所以当N比较小的时候,计算机执行的时间非常短,这个时候谈论最高阶项后面的项没有多大意义,而当N比较大时,后面的项对最高阶项的影响所以我们在考虑时间复杂度时,也一般只考虑最高阶项
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
在这个代码中,++count运行了2*N+M次
所以O(N)= N
2、
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++ k)
{
++count;
}
for (int k = 0; k < N ; ++ k)
{
++count;
}
printf("%d\n", count);
}
在这个代码中,++count运行了M+N次,所以O(N)= M+N
时间复杂度中也可以出现两个字母,当M远大于N时,复杂度为O(M);反之则为O(N).
3、
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++ k)
{
++count;
}
printf("%d\n", count);
}
在这个代码中,++count运行了常数100次,所以时间复杂度为O(1)
4、
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
在这段代码中,++count运行了(N*(N+1))/2
所以时间复杂度为O(N^2)
5、
long long Fib(size_t N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}
在这段代码中,程序运行了2^N次,所以时间复杂度为O(2^N)