算法的时间复杂度空间复杂度
1.算法的效率
1.1算法的复杂度
1.算法在编写成可执行程序后,运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏,一般是从时间和空间两个维度来衡量的,即时间复杂度和空间复杂度。
2.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(注意是额外)。
3.我们现如今更看重时间复杂度。
2.时间复杂度
2.1时间复杂度概念
1.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;但这样很不好,因为不同的设备硬件不同,相同的算法跑出来的时间也不同,而且每个算法都上机测试,很麻烦,所以有了时间复杂度这一概念: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。(这样每个算法的时间复杂度就与机器无关了)
2.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。
例:
// 请计算一下Func1中++count语句总共执行了多少次?
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;
}
printf("%d\n", count);
}
在上面例子中Func1执行次数为:
F(N)=N^2+2*N+10
· N = 10 F(N) = 130
· N = 100 F(N) = 10210
· N = 1000 F(N) = 1002010
实际中我们计算时间复杂度时,我们其实并不一定要计算精确的执行次数,而只需要大概执行次数,那么这里我们使用大O的渐进表示法。
2.2大O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。(函数中全是加法常数是写成O(1))
2、在修改后的运行次数函数中,只保留最高阶项。(保留最高阶)
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。(最高阶的常数部分写成1)
例:
使用大O的渐进表示法以后,Func1的时间复杂度为:
O(N^2)
注意:在实际中一般情况关注的是算法的最坏运行情况,例:
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
所以数组中搜索数据时间复杂度为O(N)
2.3常见时间复杂度计算举例
实例1:
// 计算Func2的时间复杂度?
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);
}
实例1基本操作执行了2N+10次,通过推导大O阶方法知道,时间复杂度为 O(N)。
实例2:
// 计算Func4的时间复杂度?
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++ k)
{
++count;
}
printf("%d\n", count);
}
实例2基本操作执行了10次,通过推导大O阶方法,时间复杂度为 O(1)。
实例3:
/ 计算strchr的时间复杂度?
const char * strchr ( const char * str, int character );
补充:
· strchr 是一个字符串处理函数,其用于在一个字符串中查找某个字符的第一次出现的位置。
· 其中,str是要进行查找的字符串,character是要查找的字符。函数返回指向第一次出现字符 character 的指针,如果未找到,则返回空指针(NULL)。
实例3基本操作执行最好1次,最坏N次,时间复杂度一般看最坏,时间复杂度为 O(N)。
实例4:
// 计算BinarySearch的时间复杂度?(二分查找)
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);//对于整数来说,右移一位的效果是将其除以2
if (a[mid] < x)
begin = mid+1;
else if (a[mid] > x)
end = mid-1;
else
return mid;
}
return -1;
}
执行次数:
实例4基本操作执行最好1次,最坏O(logN)次,时间复杂度为 O(logN) ps:logN在算法分析中表示是底
数为2,对数为N。有些地方会写成lgN。
实例5:
// 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);
}
执行次数:
实例5通过计算分析发现基本操作递归了2^N 次,时间复杂度为O(2^N)。
3.空间复杂度
3.1空间复杂度
1.空间复杂度也是一个数学表达式,是对一个算法在运行过程中临时额外占用存储空间大小的量度 。也使用大O渐进表示法。
注意:函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了,因
此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定(注意这里是额外占用的空间)。
3.2空间复杂度计算举例
实例1:
// 计算BubbleSort的空间复杂度?
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]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
实例1使用了常数个额外空间,所以空间复杂度为 O(1)
实例2:
// 计算Fibonacci的空间复杂度?
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
if(n==0)
return NULL;
}
long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
实例2动态开辟了N个空间,空间复杂度为 O(N)
实例3:
// 计算阶乘递归Fac的空间复杂度?
long long Fac(size_t N)
{
if(N == 0)
return 1;
return Fac(N-1)*N;
}
实例3递归调用了N次,开辟了N个栈帧,每个栈帧使用了常数个空间。空间复杂度为O(N)
补充:空间是可以重复调用的。例如还是前面那个斐波那契数:
// 计算斐波那契递归Fib的空间复杂度?
long long Fib(size_t N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}