我们知道程序实际上就是解决的数据的存取以及数据计算的,因此怎么样在低的空间消耗下最快的完成计算任务就是衡量我们代码能力的一个重要标准。数据结构和算法就是解决这两个问题的,如果要设计出好的程序就必须知道如何去衡量一段代码的好坏,也就是做复杂度的分析。
1、 时间复杂度
先来看看时间复杂度的定义: 一般情况下,算法中基本操作重复执行的次数是问题规模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(O是数量级的符号 ),简称时间复杂度。从定义中我们能总结出分析时间复杂度的步骤:
- 计算基本操作的执行次数T(n): 基本操作可以理解为算法中的每一条语句,语句的执行次数也就是语句的频度。
- 计算T(n)的数量级: 在计算T(n)的数量级的时候我们忽略掉常量、低次幂、高次幂的常数项。令f(n)=T(n)的数量级
- 用big O表示时间复杂度: 当n趋近于无穷大时,如果lim(T(n)/f(n))的值为不等于0的常数,则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n))。
来看看下面的代码。
int cal(int n) {
int sum = 0;
int i = 1;
int j = 1;
for (; i <= n; ++i) {
j = 1