一、算法效率
算法效率分析为两种:一种是时间效率,一种是空间效率。时间效率称为时间复杂度,空间效率称为空间复杂度。时间复杂度主要衡量一个算法的运行速度,空间复杂度主要衡量一个算法所需要的额外空间。
二、时间复杂度
定义: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。一个算法所花费的时间与其中语句执行的次数成正比,算法中的基本操作的执行次数,为算法的时间复杂度。
表示方法:大O的渐进表示法。实际中计算时间复杂度时,并不一定要计算精确的执行次数,而只需要大概的执行次数,所以使用大O渐进表示法。
推导方法:
1、用常数1取代运行时间中的所有加法常数。O(1)
2、在修改后的运行次数函数中,只保留最高阶项。
3、如果最高阶项存在并且不是1,则去除与这个项相乘的常数,得到的结果就是大O阶。
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N; ++i) //N^2次
{
for (int j = 0; j < N; ++j)
{
++count;
}
}
for (int k = 0; k < 2 * N; ++k) //2*N次
{
++count;
}
int M = 10;
while (M--) //10次
{
++count;
}
printf("%d\n", count); //执行次数为:F(N)=N^2+2*N+10
}//Func1的时间复杂度最终为:O(N^2),去掉了对结果影响不大的项
另外还有些算法的时间复杂度存在最好,平均和最坏的情况:
最好情况:任意输入规模的最小运行次数(下界)
平均情况:任意输入规模的期望运行次数
最坏情况:任意输入规模的最大运行次数(上界)
列如:在长度为N的数组中搜索一个数据x,最好情况:1次找到;平均情况:N/2次找到;最坏情况:N次找到。在实际中一般情况关注的是算法的最坏运行情况,所以数组中搜索数据时间复杂度为O(N)。
三、空间复杂度
空间复杂度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。
/*空间复杂度*/
// 计算BubbleSort的空间复杂度?冒泡排序
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)
// 计算Fibonacci的空间复杂度? 斐波那契数
long long* Fibonacci(size_t n)
{
if (n == 0)
return NULL;
long long * fibArray = new long long[n + 1];
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Factorial的时间复杂度?
long long Factorial(size_t N)
{
return N < 2 ? N : Factorial(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)