【数据结构】算法复杂度

目录

正文开始

1. 数据结构前⾔

1.1 数据结构

数据结构(Data Structure)是计算机存储、组织数据的⽅式，指相互之间存在⼀种或多种特定关系的数据元素的集合。没有⼀种单⼀的数据结构对所有⽤途都有⽤，所以我们要学各式各样的数据结构，

如：线性表、树、图、哈希等

1.2 算法

算法(Algorithm):就是定义良好的计算过程，他取⼀个或⼀组的值为输⼊，并产⽣出⼀个或⼀组值作为输出。简单来说算法就是⼀系列的计算步骤，⽤来将输⼊数据转化成输出结果。

如何学好数据结构和算法

2. 算法效率

算法效率是指算法解决问题所需的时间或空间资源。

常用的衡量算法效率的指标有时间复杂度和空间复杂度。

2.1 复杂度的概念

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。

2.2 复杂度的重要性

复杂度是评估算法或程序性能的重要指标。它衡量了算法在处理输入数据时所需的时间和空间资源。复杂度越低，意味着算法执行所需的资源越少，效率越高。

复杂度的重要性体现在以下几个方面：

1. 时间效率：在大数据量下，算法的执行时间可能会成倍增长。通过比较不同算法的复杂度，可以选择更高效的算法，缩短程序的运行时间。

2. 空间效率：算法的空间复杂度决定了它在内存中所需的资源。随着数据量的增长，算法的空间消耗也会相应增加。通过选择空间复杂度较低的算法，可以最大限度地节省内存资源。

3. 可维护性：复杂度较低的算法往往更易于理解和维护。它们通常具有更少的代码行数和更少的嵌套结构，使得程序的逻辑更加清晰，易于调试和修改。

4. 可拓展性：复杂度较低的算法在处理大规模问题时更具有扩展性。通过优化算法的复杂度，可以使其在处理更大规模的数据时仍能保持较高的效率。

综上所述，复杂度的重要性在于它对算法或程序的性能评估和优化提供了指导。通过对复杂度的分析，可以选择更高效的算法，提高程序的执行效率，并在处理大规模问题时提供良好的扩展性和可维护性。

3. 时间复杂度

定义：在计算机科学中，算法的时间复杂度是⼀个函数式T(N)，它定量描述了该算法的运⾏时间。时间复杂度是衡量程序的时间效率，那么为什么不去计算程序的运⾏时间呢？

1. 因为程序运⾏时间和编译环境和运⾏机器的配置都有关系，⽐如同⼀个算法程序，⽤⼀个⽼编译

器进⾏编译和新编译器编译，在同样机器下运⾏时间不同。

2. 同⼀个算法程序，⽤⼀个⽼低配置机器和新⾼配置机器，运⾏时间也不同。

3. 并且时间只能程序写好后测试，不能写程序前通过理论思想计算评估。

那么算法的时间复杂度是⼀个函数式T(N)到底是什么呢？这个T(N)函数式计算了程序的执⾏次数。通过c语⾔编译链接章节学习，我们知道算法程序被编译后⽣成⼆进制指令，程序运⾏，就是cpu执⾏这些编译好的指令。那么我们通过程序代码或者理论思想计算出程序的执⾏次数的函数式T(N)，假每句指令执⾏时间基本⼀样(实际中有差别，但是微乎其微)，那么执⾏次数和运⾏时间就是等⽐正相关，这样也脱离了具体的编译运⾏环境。执⾏次数就可以代表程序时间效率的优劣。⽐如解决⼀个问题的算法a程序T(N) = N，算法b程序T(N) = N^2，那么算法a的效率⼀定优于算法b。

案例：

// 请计算⼀下Func1中++count语句总共执⾏了多少
次？
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;
}
}

Func1 执⾏的基本操作次数：

T ( N ) = N 2 + 2 ∗ N + 10

• N = 10 T(N) = 130

• N = 100 T(N) = 10210

• N = 1000 T(N) = 1002010

通过对N取值分析，对结果影响最⼤的⼀项是 N 2

实际中我们计算时间复杂度时，计算的也不是程序的精确的执⾏次数，精确执⾏次数计算起来还是很⿇烦的(不同的⼀句程序代码，编译出的指令条数都是不⼀样的)，计算出精确的执⾏次数意义也不⼤，因为我们计算时间复杂度只是想⽐较算法程序的增⻓量级，也就是当N不断变⼤时T(N)的差别，上⾯我们已经看到了当N不断变⼤时常数和低阶项对结果的影响很⼩，所以我们只需要计算程序能代表增⻓量级的⼤概执⾏次数，复杂度的表⽰通常使⽤⼤O的渐进表⽰法。

3.1 ⼤O的渐进表⽰法

⼤O符号（Big O notation）：是⽤于描述函数渐进⾏为的数学符号

推导⼤O阶规则

1. 时间复杂度函数式 T(N) 中，只保留最⾼阶项，去掉那些低阶项，因为当 N 不断变⼤时， 低阶项对结果影响越来越⼩，当N ⽆穷⼤时，就可以忽略不计了。

2. 如果最⾼阶项存在且不是 1 ，则去除这个项⽬的常数系数，因为当 N 不断变⼤，这个系数对结果影响越来越⼩，当N ⽆穷⼤时，就可以忽略不计了。

3. T(N) 中如果没有 N 相关的项⽬，只有常数项，⽤常数 1 取代所有加法常数。

通过以上⽅法，可以得到 Func1 的时间复杂度为： O ( N 2 )

3.2 时间复杂度计算⽰例

3.2.1 ⽰例1

// 计算Func2的时间复杂度？
void Func2(int N)
{
    int count = 0;
    for (int k = 0; k < 2 * N ; ++ k)
    {
        ++count;
    }
    int M = 10;
    while (M--)
    {
        ++count;
    }
    printf("%d\n", count);
}

Func2执⾏的基本操作次数：

T ( N ) = 2 N + 10

根据推导规则第3条得出

Func2的时间复杂度为： O ( N )

3.2.2 ⽰例2

// 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);
}    

Func3执⾏的基本操作次数：

T ( N ) = M + N

因此：Func2的时间复杂度为： O ( N )

3.2.3 ⽰例3

// 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);
}

Func4执⾏的基本操作次数：

T ( N ) = 100

根据推导规则第1条得出

Func2的时间复杂度为： O (1)

3.2.4 ⽰例4

// 计算strchr的时间复杂度？
const char * strchr ( const char* str, int character)
{
    const char* p_begin = s;
    while (*p_begin != character)
    {
        if (*p_begin == '\0')
        return NULL;
        p_begin++;
    }
    return p_begin;
}

strchr执⾏的基本操作次数：

1）若要查找的字符在字符串第⼀个位置，则： T ( N ) = 1

2）若要查找的字符在字符串最后的⼀个位置， 则： T ( N ) = N

3）若要查找的字符在字符串中间位置，则： T ( N ) = 2 N

因此：strchr的时间复杂度分为：

最好情况： O (1)

最坏情况： O ( N )

平均情况： O ( N )

💡 总结

        通过上⾯我们会发现，有些算法的时间复杂度存在最好、平均和最坏情况。

        最坏情况：任意输⼊规模的最⼤运⾏次数(上界)

        平均情况：任意输⼊规模的期望运⾏次数

        最好情况：任意输⼊规模的最⼩运⾏次数(下界)

        ⼤O的渐进表⽰法在实际中⼀般情况关注的是算法的上界，也就是最坏运⾏情况。

3.2.5 ⽰例5

// 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;
    }
}

BubbleSort执⾏的基本操作次数：

1）若数组有序，则： T ( N ) = N

2）若数组有序且为降序，则： T ( N ) = 2 N ∗ ( N + 1)

3）若要查找的字符在字符串中间位 置，则：因此：BubbleSort的时间复杂度取最差情况为： O ( N 2 )

3.2.6 ⽰例6

void func5(int n)
{
    int cnt = 1;
    while (cnt < n)
    {
        cnt *= 2;
    }
}

当n=2时，执⾏次数为1

当n=4时，执⾏次数为2

当n=16时，执⾏次数为4

假设执⾏次数为 x ，则 2 x = n

因此执⾏次数： x = log n

因此：func5的时间复杂度取最差情况为： O (log 2 n )

注意课件中和书籍中 log 2 n 、 log n 、 lg n 的表⽰

当n接近⽆穷⼤时，底数的⼤⼩对结果影响不⼤。因此，⼀般情况下不管底数是多少都可以省略不

写，即可以表⽰为 log n

不同书籍的表⽰⽅式不同，以上写法差别不⼤，我们建议使⽤ log n

3.2.7 ⽰例7

// 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;
}

调⽤⼀次Fac函数的时间复杂度为 O (1)

⽽在Fac函数中，存在n次递归调⽤Fac函数

因此：阶乘递归的时间复杂度为： O ( n )

4. 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因为算法的需要额外临时开辟的空间。

空间复杂度不是程序占⽤了多少bytes的空间，因为常规情况每个对象⼤⼩差异不会很⼤，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

4.1 空间复杂度计算⽰例

4.1.1 ⽰例1

// 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;
    }
}

函数栈帧在编译期间已经确定好了，只需要关注函数在运⾏时额外申请的 空间。BubbleSort额外申请的空间有 exchange等有限个局部变量，使⽤了常数个额外空间 因此空间复杂度为 O (1)

4.1.2 ⽰例2

// 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;
}

Fac递归调⽤了N次，额外开辟了N个函数栈帧，每个栈帧使⽤了常数个空间

因此空间复杂度为： O ( N )

5. 常⻅复杂度对⽐

---

完