✨✨所属专栏:数据结构✨✨
✨✨作者主页:嶔某✨✨
什么是时间复杂度?
时间复杂度的定义:在计算机科学中,算法的时间复杂度是一个函数,它定量描述了该算法的运行时间。一个算法执行所耗费的时间,从理论上说,是不能算出来的,只有你把你的程序放在机器上跑起来,才能知道。但是我们需要每个算法都上机测试吗?是可以都上机测试,但是这很麻烦,所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例,算法中的基本操作的执行次数,为算法的时间复杂度。
如何计算时间复杂度?
即:找到某条基本语句与问题规模N之间的数学表达式,就是算出了该算法的时间复杂度。
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 x = 10;
while (x--)
{
count++;
}
printf("%d\n",count);
}
在func1中count++执行了多少次?
答:F(n)= n^2 + 2*n +10
在上面的问题中:
N | F(N) |
10 | 130 |
100 | 10210 |
1000 | 1002010 |
我们发现,当n越来越大,对最终结果最具有影响的项为:N^2(最高阶项)
有的同学会问:那如果n等于一个很小的数呢?(比如1,2,3……)
答:随着计算机的发展,由于计算机速度很快,当n很小的时候计算时间还不到1ms,可以忽略不计了。
我们看下面的结果:(时间单位都为ms)
所以我们在计算时间复杂读度的时候,只保留对结果影响最大的一项。
具体计算方法看下面的大O渐近表示法。
大O的渐进表示法
大O符号(Big O notation):是用于描述函数渐进行为的数学符号。
推导大O阶方法:
1、用常数1取代运行时间中的所有加法常数。
2、在修改后的运行次数函数中,只保留最高阶项。
3、如果最高阶项存在且不是1,则去除与这个项目相乘的常数。得到的结果就是大O阶。
使用大O的渐进表示法以后,Func1的时间复杂度为:O(n)
通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项,简洁明了的表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均和最坏情况:
最坏情况:任意输入规模的最大运行次数(上界)
平均情况:任意输入规模的期望运行次数
最好情况:任意输入规模的最小运行次数(下界)
例如:在一个长度为N数组中搜索一个数据x
最好情况:1次找到
最坏情况:N次找到
平均情况:N/2次找到
在实际中一般情况关注的是算法的最坏运行情况,所以数组中搜索数据时间复杂度为O(N)
计算冒泡排序的时间复杂度
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]);//两数交换
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
基本操作执行最好情况N次,最坏执行了(N*(N+1)/2次,通过推导大O阶方法+时间复杂度一般看最
坏,时间复杂度为 O(N^2)
注意:最坏情况展开是:(n^2)/2 + n/2 我们选最高次项(n^2)/2,这里前面的因数1/2直接舍去(对结果影响不大)
计算二分查找的时间复杂度
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n-1;
// [begin, end]:begin和end是左闭右闭区间,因此有=号
while (begin <= end)
{
int mid = begin + ((end-begin)>>1);
if (a[mid] < x)
begin = mid+1;
else if (a[mid] > x)
end = mid-1;
else
return mid;
}
return -1;
}
基本操作执行最好1次(中间数即为要查找的数),最坏O(logN)次(直到最后一次查找才查找出来),时间复杂度为 O(logN)。(logN在算法分析中表示是底数为2)
为什么最坏是log(n)次?
答:假设最坏查找x次,一共N个数,每次查找都要除去1/2的数,最后仅剩一个数,就有N((1/2)^x )= 1。化简取对数得x = log(N).
计算阶乘递归Fac的时间复杂度
long long Fac(size_t N)
{
if(0 == N)
return 1;
return Fac(N-1)*N;
}
基本操作递归执行了N次(每一次调用函数都需要前一个函数的基础,直到调用到fac(1)停止),时间复杂度为O(N)
计算斐波那契递归Fib的时间复杂度
long long Fib(size_t N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}
基本操作递归执行了2^N次(每一次调用都需要前面两个函数的值为基础,类似于杨辉三角)时间复杂度为O(2^N)
本期博客到这里就结束了,如果有什么错误,欢迎指出,如果对你有帮助,请点个赞,谢谢!