一、时间复杂度
度量一个程序(算法)执行时间的两种方法:
1. 事后统计的方法
这种方法可行, 但是有两个问题:一是要想对设计的算法的运行性能进行评测,需要实际运行该程序;二是所得时间的统计量依赖于计算机的硬件、软件等环境因素。这种方式,要在同一台计算机的相同状态下运行,才能比较那个算法速度更快。
2. 事前估算的方法
通过分析某个算法的时间复杂度来判断哪个算法更优,在此重点解说该方法。
时间频度:一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
比如:计算1-100所有数字之和, 我们设计两种算法
int total = 0;
int end = 100;
for (int i=1; i<=end; i++) {
total += i;
}
T(n)=n+1;
int end = 100;
int total = (1 + end) * end / 2;
T(n)=1;
1)忽略常数项
2)忽略低次项
3)忽略系数
3. 时间复杂度
1) 一般情况下,算法中的基本操作语句的重复执行次数是问题规模n的某个函数,用T(n)表示,若有某个辅助函数f(n),使得当n趋近于无穷大时,T(n) / f(n) 的极限值为不等于零的常数,则称f(n)是T(n)的同数量级函数。记作 T(n)=O( f(n) ),称O( f(n) ) 为算法的渐进时间复杂度,简称时间复杂度。
2) T(n) 不同,但时间复杂度可能相同。 如:T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的T(n) 不同,但时间复杂度相同,都为O(n²)。
3) 计算时间复杂度的方法
•用常数1代替运行时间中的所有加法常数 T(n)=n²+7n+6 => T(n)=n²+7n+1
•修改后的运行次数函数中,只保留最高阶项 T(n)=n²+7n+1 => T(n) = n²
•去除最高阶项的系数 T(n) = n² => T(n) = n² => O(n²)
4. 常见的时间复杂度
1)常数阶O(1)
2)对数阶O(log2n)
3)线性阶O(n)
4)线性对数阶O(nlog2n)
5)平方阶O(n^2)
6)立方阶O(n^3)
7)k次方阶O(n^k)
8)指数阶O(2^n)
常见的算法时间复杂度由小到大依次为:随着问题规模n的不断增大,上述时间复杂度不断增大,算法的执行效率越低。从图中可见,我们应该尽可能避免使用指数阶的算法。
5. 平均时间复杂度、最坏时间复杂度
1) 平均时间复杂度:指所有可能的输入实例均以等概率出现的情况下,该算法的运行时间。
2) 最坏情况下的时间复杂度称最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。 这样做的原因是:最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限,这就保证了算法的运行时间不会比最坏情况更长。
3) 平均时间复杂度和最坏时间复杂度是否一致,和算法有关,如图:
二、空间复杂度
1. 类似于时间复杂度的讨论,一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间,它也是问题规模n的函数。
2. 空间复杂度(Space Complexity)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。有的算法需要占用的临时工作单元数与解决问题的规模n有关,它随着n的增大而增大,当n较大时,将占用较多的存储单元,例如快速排序和归并排序算法就属于这种情况。
3. 在做算法分析时,主要讨论的是时间复杂度。从用户使用体验上看,更看重的程序执行的速度。一些缓存产品(redis, memcache)和算法(基数排序)本质就是用空间换时间。