算法效率的度量
一、时间复杂度
1.基本概念
算法时间复杂度:事先预估算法时间开销与T(n)与问题规模n的关系
2.表示方式
T(n)=O()
3.如何计算时间复杂度
简单来说就是将执行次数加起来只考虑阶数高的部分
(只考虑阶数,用大O记法)
(1)加法规则
T(n)=T1(n)+T2(n)=O(f(n))+O(g(n))=O( max( f(n),g(n) ) )
多项相加,只保留最高阶的项,且系数变为1
(2)乘法规则
T(n)=T1(n)*T2(n)=O(f(n)*Og(n))=O(f(n)*g(n))
多项相乘,都保留
(3) 时间复杂度的比较口诀:常对幂指阶
(4) 顺序执行的代码只会影响常数项,可以忽略
(5) 只需要挑选循环中的一个基本操作分析它的执行次数与n的关系
(6) 如果有多层嵌套循环,只需关注最深层循环循环了几次
(7) 搜索算法
最坏时间复杂度:最坏情况下计算复杂度
最好时间复杂度:最好情况下算法的时间复杂度
平均复杂度:所有输入示例等概率出现的情况下,算法的期望运行时间
二、空间复杂度
1.基本概念
空间开销(内存开销)与问题规模n之间的关系
2.表示方式
S(n)=O()
3.如何计算空间复杂度
与计算时间复杂度相似:简单来说将数据所占空间相加取阶数最大的部分,
(只需关注存储空间大小与问题规模相关的变量,取阶数最高部分)
下面是几个例子:
(1) 无论问题规模怎么变,算法运行所需的内存空间都是固定的常量,算法空间复杂度为S(n)=O(1),
算法原地工作——算法所需内存空间为常量
*(2)*S(n)=O(4n+8)=O(n)
(3) S (n)=O(n *n)
(4)
*(5)S(n)=O(n)
空间复杂度=递归调用的深度
(6) S(n)=O(1+2+3+4+…+n)=O(0.5 n * n+0.5 * n)=O(n * n)