个人主页:星纭-CSDN博客
系列文章专栏:数据结构
踏上取经路,比抵达灵山更重要!一起努力一起进步!
目录
一.算法的效率
1.1如何衡量一个算法的好坏呢?
int Fibo(int N){
if(N < 3)
return 1;
return Fibo(N-1) + Fibo(N -2);
}
求斐波那契数的这个函数,使用递归来写非常的简洁!可是这样的代码好吗?,我们知道运行这个代码的时候,比如参数是100,运算过程是很久的,而且算不出来,因为超出范围了。
所以我们不能只从代码的简洁程度判断算法是好还是坏。
1.2算法的复杂度
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 。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。 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。在计算 机发展的早期,计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,计 算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
二.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。
计算一下这个函数中++count;这个语句被执行的次数。
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);
}
F(N) = N * N + 2 * N + 10
我们发现当N的值越大的时候,N*N就占据了主要部分,2*N+10对结果的影响很小。
实际中,我们计算时间复杂度时,我们其实并不一定要计算准确的执行次数,只需要大概即可,所以我们采用大O的渐进表示法
2.2大O的渐进表示法
大O符号:是用于描述函数的渐进行为的一种符号
推导大O阶的方法:
- 用常数1表示运算时间中的所有加法常数。
- 只保留最高阶项
- 最高阶项的系数必须是1
比如上述我们计算的结果 F(N) = N * N + 2 * N + 10。它的时间复杂度就是O(N*N)
大O的渐进表示法去除掉了那些对结果影响不大的项,简洁明了的表示出了执行的次数
算法的时间复杂度存在最好和平均,最坏的情况:
比如在一个长度为N的数组中寻找一个数据,采用遍历数组的方式
最好的情况就是:1次找到,这个数据的下标是0
平均的情况就是:N/2次找到。
最坏情况就是:N次找到。这个数据在末尾。
在实际情况中,时间复杂度考虑的是最坏的情况,上述的时间复杂度就是O(N)
2.3常见的时间复杂度
1. 计算Func3的时间复杂度?
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++k)
{
++count;
}
for (int k = 0; k < N; ++k)
{
++count;
}
printf("%d\n", count);
}
计算执行次数,是主要针对于要执行的代码的次数:上述的++count;执行了M+ N
因为有两个未知数:所有时间复杂度是O(M + N)
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);
}
很明显这个执行了100次,但是对于常数来说,直接用O(1)表示
3.计算strchr的时间复杂度?
const char * strchr ( const char * str, int character );
这个函数的功能是在一个字符串中查找字符。
很明显,遍历整个字符串,所有时间复杂度就是O(N)
4.计算BubbleSort的时间复杂度?
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;
}
}
对于冒泡排序来说执行次数是1 + 2 + ....+ N -1 = (N - 1) * N / 2 ,根据大O渐进表示法
O(N) = N^2
5.计算BinarySearch的时间复杂度?
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n - 1;
while (begin < end)
{
int mid = begin + ((end - begin) >> 1);
if (a[mid] < x)
begin = mid + 1;
else if (a[mid] > x)
end = mid;
else
return mid;
}
return -1;
}
二分查找,最坏情况下,假设查找了x次 才找到这个数据。因为每次查找都会排除一半的数据。
所以N / (2 ^ x) = 1, x = log2 N.这种情况,不管底数直接写logN。O(N) = logN
6.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,基本操作递归了N次,时间复杂度是O(N) ;
三.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。
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;
}
}
使用了常数个额外开辟的空间,所以时间复杂度为O(1)
2.返回斐波那契数列的前n项,计算Fibonacci的空间复杂度?
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,所以时间复杂度就是O(N)
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;
}
函数递归调用了次,开辟了N个栈帧,每一个栈帧使用了常数个空间,时间复杂度为O(N)
四.常见的复杂度
一般算法常见的复杂度如下:
常见的算法复杂度包括:
- 常数时间复杂度O(1):无论输入规模多大,算法的执行时间都是固定的。
- 对数时间复杂度O(log n):随着输入规模的增加,执行时间以对数的方式增加。
- 线性时间复杂度O(n):执行时间和输入规模成线性关系。
- 线性对数时间复杂度O(n log n):执行时间和输入规模成线性对数关系。
- 平方时间复杂度O(n^2):执行时间和输入规模的平方成正比。
- 立方时间复杂度O(n^3):执行时间和输入规模的立方成正比。
- 指数时间复杂度O(2^n):执行时间随着输入规模的增加指数级增加,通常为最高的时间复杂度。
- 阶乘时间复杂度O(n!):执行时间随着输入规模的增加阶乘级增加,通常为最高的时间复杂度。