算法效率主要体现在它的复杂度上,而算法复杂度,主要有两个维度,分别是时间复杂度与空间复杂度。时间复杂度是指执行这个算法所需要的计算工作量;而空间复杂度是指执行这个算法所需要的内存空间。时间和空间(即寄存器)都是计算机资源的重要体现,而算法的复杂性就是体现在运行该算法时的计算机所需的资源多少。
时间复杂度
-
一个算法花费的时间与算法中语句的执行次数成正比,执行次数越多,花费的时间就越多,所以时间复杂度主要和算法语句执行次数正相关。
-
如何计算时间复杂度:
⑴ 找出算法中的基本语句;
算法中执行次数最多的那条语句就是基本语句,通常是最内层循环的循环体。⑵ 计算基本语句的执行次数的数量级;
只需计算基本语句执行次数的数量级,这就意味着只要保证基本语句执行次数的函数中的最高次幂正确即可,可以忽略所有低次幂和最高次幂的系数。⑶ 用大Ο记号表示算法的时间性能:
将基本语句执行次数的数量级放入大Ο记号中。 -
常见的时间复杂度有:
常数阶O(1),
对数阶O(log2 n),
线性阶O(n),
线性对数阶O(n log2 n),
平方阶O(n^2),
立方阶O(n^3)
k次方阶O(n^K),
指数阶O(2^n)。
随着n的不断增大,时间复杂度不断增大,算法花费时间越多。
下面这个算法的时间复杂度是O(1):
a=1
b=1
c = a+b
这个算法的时间复杂度是O(n^2):
for i in range(n):
for j in range(n):
k = i+j
下面这个算的时间复杂度为O(log2 n):
i = 1;
while i<n:
i = i * 2
计算多少次才会终止呢?
设需要计算f(n)次,才可以满足判断条件,则有2^f(n)<=n,
推出f(n)<=log2n,所以其时间复杂度为O(log2 n)
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,这里不包括输入和输出所占存储空间。
a = 1
b = 1
c = a+b
d = a*c
这个算法的空间复杂度就为O(1)
int[] m = new int[n]
for(i=1; i<=n; ++i)
{
j = i;
j++;
}
第一行new了一个数组出来,这个数据占用的大小为n。其空间复杂度即为O(n)
总结:
对于一个算法,其时间复杂度和空间复杂度往往是相互影响的。当追求一个较好的时间复杂度时,可能会使空间复杂度的性能变差,即可能导致占用较多的存储空间;反之,求一个较好的空间复杂度时,可能会使时间复杂度的性能变差,即可能导致占用较长的运行时间。另外,算法的所有性能之间都存在着或多或少的相互影响。因此,当设计一个算法(特别是大型算法)时,要综合考虑算法的各项性能,算法的使用频率,算法处理的数据量的大小,算法描述语言的特性,算法运行的机器系统环境等各方面因素,才能够设计出比较好的算法。
参考链接:https://blog.csdn.net/leikun153/article/details/79143892
https://blog.csdn.net/HaloTrriger/article/details/78994122