本节大纲:
1.算法效率
1.1算法复杂度
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 。所以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。
而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。(但到现如今计算机的迅速发展,计算机的储存容量已经达到了很大的高度,所以如今我们不需要太关注算法的空间复杂度)
2.时间复杂度
2.1时间复杂度的概念
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。
简单而言就是: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。
为了熟悉算法的时间复杂度,我们来做做下面的例题:
下面是答案:
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。
由此可以看出上述题目的算法的时间复杂度为N^2。
并且有的算法存在最好,平均和最坏情况,但在实际情况下,我们特别关注的是最坏运行情况。
2.3常见时间复杂度计算举例
例题一:
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)。
例题二:
基本操作执行了M+N次,有两个未知数M和N,时间复杂度为 O(N+M)。
例题三:
基本操作执行了100次,通过推导大O阶方法,时间复杂度为 O(1)。
例题四:
基本操作执行最好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)。
3.空间复杂度
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占用存储空间大小的量度 。
空间复杂度不是程序占用了多少bytes的空间,因为这个也没太大意义,所以空间复杂度算的是变量的个数。 空间复杂度计算规则基本跟实践复杂度类似,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。
例题一:
动态开辟了N个空间,空间复杂度为 O(N)。
例题二:
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)。
4.常见复杂度对比
本文到此结束啦,如果对你的学习有帮助的话,点赞加收藏,谢谢啦!