1.时间复杂度补充(递归)
// 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;
}
通过计算分析发现基本操作调用了N+1次,那么时间复杂度为O(N)
那如果将其中间加入一个循环呢?
long long Fac(size_t N)
{
if(0 == N)
return 1;
for (int i =0 ;i<n;i++)
{
...
}
return Fac(N-1)*N;
随着N的慢慢变小,我们可以算出这个循环在这个递归中的时间复杂度是O(N^2)
那么总体的时间复杂度也是O(N^2)
// 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);
}
通过画图我们可以算出他的调用次数:F(N) = 2^(N-1)-1 ==> O(2 ^N)
我们也就知道这个算法并不是很好,因为一旦次数变多,那么消耗的时间也就会多很多
2.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。
// 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;
}
}
- 使用了常数个额外空间,所以空间复杂度为 O(1)
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;
}
- 动态开辟了N个空间,空间复杂度为 O(N)
// 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;
}
- 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)
3.轮转数组解法补充
之前介绍过两种写法:点击跳转
我们来写第三种解法:
这个解法我们采用的是用空间换时间的方式来解答的,适合用在对空间没有限制的题目上
void _rotate(int* nums, int n, int k, int* tmp) {
k %= n;
memcpy(tmp, nums + n - k, sizeof(int) * k);
memcpy(tmp + k, nums, sizeof(int) * (n - k));
memcpy(nums, tmp, sizeof(int) * n);
}
void rotate(int* nums, int numsSize, int k) {
int tmp[numsSize];
_rotate(nums, numsSize, k, tmp);
}
这里需要注意数组之间的关系即可