参考视频:时间复杂度-c_哔哩哔哩_bilibili
up主讲的已经很好了,本人写这篇博客主要是为了巩固所学,:)
初步了解:
一件事做完需要的步数即为时间复杂度
大O表征
只用记住两个步骤就能得出大O下的复杂度
1)去除系数:把初步得到的总步数放入括号中
eg: (30n)—》(n)
(100)—》(1)
2)保留最高次项
eg:(n^2+n+2)—》(n^2)
判定方法:
关键要点
个人认为最重要的一点就是抓住一个最小的线性代码块——方便自己理解的口胡内容,请看下方解释
我对这个代码块的定义是:从开始解决问题的代码行开始,直到一行解决问题并返回开头的代码行,这就构成了一个完整的代码块。换句话说,完整代码块是从开始解决问题到问题解决后重新回到起始点的所有步骤。
找到了这段代码后,直接计算其步数即可,复杂度都会是O(1)
简单判定
eg: O(n)
int sum(int n) {
int s = 0;
for (int i = 0; i <= n; i++) {
s += i;
}
return s;
}
这里的最小完整代码块就是 “s += i;”,总共一步,外面执行了n次,也就是n步——》O(n)
"困难"判定
eg:
int l = 0;
int r = n - 1;
while (l < r) {
while (l < r && a[l] % 2 == 1) {
l++;
}
while (l < r && a[r] % 2 == 0) {
r--;
}
if (l < r) {
int temp = a[l];
a[l] = a[r];
a[r] = temp;
l++;
r--;
}
这段代码看上去比较复杂,但只要把握好线性的核心,依然很好解决。
最外层为while循环,由于判定原因,里面的循环实质上在每一次外层循环下只会执行一次,进而可看做是一个线性代码。取一个具体例子来说,就可能是如下情况
while (l < r) {
l++;
if (l < r) {
int temp = a[l];
a[l] = a[r];
a[r] = temp;
l++;
r--;
}
}
那么里面就是简单的O(1),最后的总复杂度也就是O(n)。
其他情况
O(log n)
int count_digit (int n) {
int count = 0;
while (n > 0) {
n /=10;
count++;
return count;
}
一样也是线性判断,但是此处的n值的不同导致最终的步骤会有不同,因此令复杂度为O(log n)