算法的效率分为两种:时间效率和空间效率。
时间效率被称为时间复杂度,主要是衡量一个算法的运行速度。
空间效率被称为空间复杂度,主要衡量的是算法所需要的额外空间。
时间复杂度
-
定义
在计算机中算法的时间复杂度是一个函数,他定量的描述了一个算法的运行时间。一个算法执行的时候所需要的时间应当是执行的时候才能知道的,但是这样非常的麻烦,所以就有了时间复杂度这样的分析式子。一个算法所花费的时间与其语句的执行次数成正比,算法中的基本操作的执行次数为算法的时间复杂度。 -
大O的渐进表示法
举个例子:
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--) > 0) {
count++;
}
System.out.println(count);
}
这里Func1执行的基本操作次数为
F(N) = N ^ 2 + 2 * N + 10
我们发现
当N等于10时: F(N) =130
当N等于100时: F(N) =10210
当N等于1000时: F(N) =1002010
N越大10对于操作总次数的影响就越小,那操作次数更大的话,2*N对于基本操作次数的影响也非常的渺小
实际我们在计算时间复杂度的时候,其实并不一定要将执行次数计算的非常精确,只需要一个大概的执行次数,所以我们选择了大O渐进表示法
大O渐进表示法
(1)用常数1取代运行时间中所有加法常数
(2)在修改后的运行次数函数中,只保留最高阶项
(3)如果最高阶项存在且不为1,则除去与这个项相乘的常数
所以我们刚才的代码执行次数为F(N) = N ^ 2 + 2 * N + 10
根据第一条规定,将10变成1
N ^ 2 + 2 * N + 1
根据第二条规定,只保留最高阶项
N ^ 2
剩下的这一项没有与其相乘的常数
所以最终的时间复杂度就为 O(N^2)
我们通过大O渐进表示法将对结果影响不大的项去掉简明的表示出了执行次数
- 时间复杂度的三种情况
(1)最好情况:任意输入规模的最小运行次数
(2)最坏情况:任意输入规模的最大运行次数
(3)平均情况:( 最好情况 + 最坏情况 )/ 2
我们在运用的时候会使用平均情况
我们假设一段代码的最好情况是运行1次,最坏运行情况是N次,那么他的平均情况是运行(1+N)/2次
然后将平均情况用大O渐进表示法表示最终就变成了N
我们发现:平均情况中最坏情况一定有最高阶项,所以将加的最好情况去掉,之后的除以二也根据大O渐进表示法的第三项去掉,最终平均情况和最坏情况用大O渐进表示法表示时是完全一样的!
举几个例子
(1)F(N) = 2 * N + 10
它的时间复杂度为:O(N)
(2)F(N) = M+N
它的时间复杂度为:O(M+N)
当算法存在两种及以上的数据规模的时候都要保留,各自按各自的大O渐进表示法表示,而后进行相加
(3)F(N) = 100
它的时间复杂度为:O(1)
(4)F(N) = N ^ 2
它的时间复杂度为:O( N ^ 2)
(5)F(N) = log以2位底的N
它的时间复杂度为:O(logN)
若给定的算法数据规模为N,不断进行除法(无论除几),除到最后为1或0,他的时间复杂度都为O(logN)。因为log不同的底之间是可以相互进行转化的,logaN=logab*logbN,logab是一个常数可以用1代替,所以底对结果没有影响
(6)F(N) = 10N
它的时间复杂度为:O(N)
(7)F(N) =2 ^ N
它的时间复杂度为:O(2 ^ N )
空间复杂度
- 定义:是对一个算法在运行过程中临时占用存储空间的大小,它计算的是额外使用的变量的个数。
- 空间复杂度的计算规则也要使用大O渐进表示法
举几个例子
//1
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
if (sorted == true) {
break;
}
}
}
他的空间复杂度为O(1),使用了常数个额外的空间
//2
int[] fibonacci(int n) {
long[] fibArray = new long[n + 1]; //这里开辟新空间
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; i++) {
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
}
他的空间复杂度为O(N),动态开辟了N个空间
//3
long factorial(int N) {
return N < 2 ? N : factorial(N-1)*N;
}
他的空间复杂度为O(N),递归算法的运行需要开辟额外的空间,每进行一次递归,操作系统就会在栈上开辟一个栈帧空间